结合显示偏好与陈述偏好数据的多任务学习深度神经网络
综合经济学
2019-08-28 v2 机器学习
经济学
摘要
如何结合显示偏好（RP）与陈述偏好（SP）数据来分析出行行为是一个长期存在的问题。本研究针对该问题提出多任务学习深度神经网络（MTLDNNs）框架，并论证由于 MTLDNNs 具备自动特征学习与软约束的能力，其比传统的嵌套 logit（NL）方法更具通用性。我们设计约 1500 个 MTLDNN 模型并应用于在新加坡收集的调查数据，该数据聚焦于四种当前出行模式的 RP，以及除 RP 中模式外以自动驾驶车辆（AV）作为一种新出行模式的 SP。我们发现 MTLDNNs 在 RP 与 SP 数据集上均稳定优于六个基准模型，尤其是经典 NL 模型，预测准确率高出约 5%。这一性能提升主要归因于 MTLDNNs 特有的软约束，包括其创新的架构设计与正则化方法，而非标准前馈 DNN 架构所赋予的自动特征学习通用能力。除预测外，MTLDNNs 亦具可解释性。实证结果表明，AV 主要是驾驶的替代品，且 AV 方案特定变量比社会经济变量对 AV 采纳的决定作用更为重要。总体而言，本研究引入了一种结合 RP 与 SP 的新 MTLDNN 框架，并展示了其在预测与解释上的理论灵活性与实证效力。未来研究可设计新型 MTLDNN 架构以反映 RP 与 SP 的特殊性，并将本工作拓展至其他行为分析。
引用
@article{arxiv.1901.00227,
title = {Multitask Learning Deep Neural Networks to Combine Revealed and Stated Preference Data},
author = {Shenhao Wang and Qingyi Wang and Jinhua Zhao},
journal= {arXiv preprint arXiv:1901.00227},
year = {2019}
}