En diskret valmodell - Analys av icke-linjära bidrag till prediktiv prestanda
En undersökning av hur neurala nätverks förmåga att effektivt lära sig icke-linjära fenomen kan ge ökad prestanda i en fyrstegsmodell.
Syftet med detta projekt är att bygga och undersöka en diskret valmodell på aktivitetsbaserad reseefterfrågan med hjälp av artificiella neurala nätverk med icke-linjära aktiveringar. Detta tillvägagångssätt kan ses som en utökning av komplexiteten jämfört med den konventionella multinomial logit modellen. Genom att använda hidden layers och många fler parametrar, tillåts variabler att interagera med varandra i väldigt många olika kombinationer för att lära sig de icke-linjära fenomen som förkommer i tillgängligt data mer effektivt.
Likt en fyrstegsmodell använder den slutliga modellen de tre delmodellerna: generation, distribution och färdmedel. Vid varje 108:e 10-minutersintervall mellan 05:00 och 23:00 bestämmer en simulerad agent huruvida denne i nästa tidssteg stannar eller tar en resa för att utföra sin valda aktivitet i generationsmodellen. Distributions- och färdmedelsmodellerna används när en resa utförs. Tester på utelämnat data visar hur successiva icke-linjära tillägg i distributionsmodellen ökar prestandan och att modellens föreslagna struktur kan simulera resebeteenden på en mycket detaljerad nivå.
