DeepLogit：面向交通政策分析的顺序约束可解释深度学习建模方法
机器学习
2025-09-18 v1 人工智能
摘要
尽管深度学习模型在众多应用中取得了显著进展，但其在规划和政策相关领域的应用仍面临挑战，主要由于这些模型的黑箱本质。本文开发了一组 DeepLogit 模型，遵循一种新颖的顺序约束方法，用于交通政策分析中的深度学习模型估计。在 proposed 方法的第一步中，我们估计一个仅包含线性项的卷积神经网络 (CNN) 模型，这等价于线性参数的多项日志比模型。随后，我们通过约束需要可解释性的参数在线性参数 CNN 模型中获得的值，并包括高阶项或引入像 Transformer 这样的高级深度学习架构来估计其他深度学习模型。我们的方法能够保留所选参数的可解释性，同时提供比离散选择模型更显著的模型准确性。我们在一个使用新加坡真实交通智能卡数据的公交线路选择示例中展示了该方法。该研究表明，这种方法可以发展为一种统一的方法，其中基于理论的离散选择模型 (DCM) 和数据驱动的 AI 模型可以互相借鉴可解释性和预测能力的优势。随着更大数据集和更复杂构造的 availability，该方法可以 lead 到在保持其在规划和政策相关领域适用性的同时，使用离散选择模型实现更准确的模型。我们的代码可在 https://github.com/jeremyoon/route-choice/ 上获得。
引用
@article{arxiv.2509.13633,
title = {DeepLogit: A sequentially constrained explainable deep learning modeling approach for transport policy analysis},
author = {Jeremy Oon and Rakhi Manohar Mepparambath and Ling Feng},
journal= {arXiv preprint arXiv:2509.13633},
year = {2025}
}