基于图神经网络的住宅选址决策：与经典逻辑模型的联系
机器学习
2026-05-19 v1 机器学习
摘要
研究人员已采用深度学习处理经典离散选择分析，因为它能够捕捉复杂特征关系并实现更高的预测性能。然而，现有的深度学习方法无法显式捕捉选择备选项之间的关系，这一问题长期聚焦于经典离散选择模型。为填补这一空白，本文引入图神经网络 (GNN) 作为分析住宅选址的新框架。GNN 基离散选择模型 (GNN-DCMs) 提供了神经网络捕捉空间备选项之间依赖性的结构化方法，同时保持与经典随机效用理论的清晰联系。理论上，我们展示了 GNN-DCMs 包含嵌套逻辑模型 (NL) 和空间相关逻辑模型 (SCL) 作为两个特定案例，通过备选项效用之间的信息传递，产生了新的算法解释。实证上，GNN-DCMs 在预测芝加哥 77 个社区区域的住宅选址选择方面优于基准 MNL、SCL 和前馈神经网络。关于模型解释，GNN-DCMs 能够捕捉个体异质性并表现出空间感知的替代模式。总体而言，这些结果凸显了 GNN-DCMs 作为离散选择建模与深度学习在复杂空间选择情境中协同的统一且富有表达力的框架的潜力。
引用
@article{arxiv.2507.21334,
title = {Graph neural networks for residential location choice: connection to classical logit models},
author = {Zhanhong Cheng and Lingqian Hu and Yuheng Bu and Yuqi Zhou and Shenhao Wang},
journal= {arXiv preprint arXiv:2507.21334},
year = {2026}
}