RUMBoost：梯度提升随机效用模型

本文介绍了RUMBoost模型，一种新颖的离散选择建模方法，结合了随机效用模型（RUM）的可解释性和行为鲁棒性与深度学习方法的泛化和预测能力。我们通过将RUM效用函数中的每个线性参数替换为梯度提升回归树的集成，获得了非线性效用规格的完整函数形式。这使得可以直接从数据中为所有替代方案（对于输入变量的任何可能组合）估算分段常数效用值。我们引入了对集成的额外约束，以确保效用规格的三个关键特征：（i）每个替代方案的效用仅依赖于该替代方案的属性，（ii）边际效用的单调性，以及（iii）内在可解释的函数形式，其中模型在整个输入空间中的确切响应是已知的。此外，我们引入了一种基于优化的平滑技术，将替代属性的分段常数效用值替换为单调分段三次样条，以识别具有定义梯度的非线性参数。我们展示了RUMBoost模型与各种机器学习和随机效用基准模型在伦敦揭示偏好出行方式选择数据上的潜力。结果突出了我们提出的方法的出色预测性能和直接可解释性。此外，平滑的属性效用函数允许计算各种行为指标和边际效用。最后，我们通过展示RUMBoost模型如何扩展到复杂的模型规格（包括属性交互、替代误差项内的相关性和总体内的异质性）来证明我们方法的灵活性。