在深度神经网络中融入领域知识用于离散选择模型
机器学习
2023-06-02 v1 人工智能
计量经济学
摘要
离散选择模型（DCM）作为理解和预测选择行为的强大理论计量经济学框架，被广泛用于出行需求分析。DCM被构建为随机效用模型（RUM），其关键优势在于可解释性。然而，这些模型估计的一个核心要求是预先设定相关的效用函数，使其对建模者的主观信念十分敏感。近来，机器学习（ML）方法已成为在DCM中学习未观测非线性关系的有前景途径。然而，ML模型被视为“黑箱”，且可能不符合预期关系。本文提出一种框架，通过支持开发融合领域知识和先验信念（经由约束）的可解释模型，拓展数据驱动方法在DCM中的潜力。所提框架包含代表所需关系的伪数据样本，以及衡量其与观测数据一并被满足程度的损失函数，用于模型训练。该框架旨在结合ML的设定灵活性与计量经济学及可解释行为分析，提升模型可解释性。案例研究展示了该框架在离散选择分析中的潜力。
引用
@article{arxiv.2306.00016,
title = {Incorporating Domain Knowledge in Deep Neural Networks for Discrete Choice Models},
author = {Shadi Haj-Yahia and Omar Mansour and Tomer Toledo},
journal= {arXiv preprint arXiv:2306.00016},
year = {2023}
}