基于Neural-Bayesian结构学习的离散选择建模

arXiv cs.LG 论文
neural-bayesian structure-learning discrete-choice machine-learning transportation intervention-analysis

摘要

本文提出了Neural-Bayesian结构学习框架，该框架将可微结构学习与离散选择建模相结合，用于预测选择行为和评估干预措施，在恢复连贯的依赖结构的同时，实现了与现有基准可比的性能。

arXiv:2608.25258v1 公告类型：新 摘要：传统的离散选择和机器学习模型主要基于观测数据进行估计，通常将解释性协变量视为并行输入，缺乏内部机制来确定当某个属性被故意改变时，相关属性应如何调整。本文提出了Neural-Bayesian结构学习（Neural-BSL），一个将可微结构学习与基于随机效用的离散选择估计相结合的单一可微过程框架。为防止互斥的选择结果扭曲恢复的属性结构，观测选择被保留在图之外作为备选特定效用比较，而属性结构和随机效用参数被联合学习。所学结构通过结构加权的属性交互进入选择模型，并为通过下游属性传播干预提供结构基础。干预评估通过更新干预属性、按拓扑顺序传播其模型暗示的下游变化，然后重新计算效用和选择概率来实现。这产生了预测的模式份额响应以及相关的下游出行者或出行属性变化。我们使用来自首尔的声明偏好数据和来自伦敦的揭示偏好数据评估Neural-BSL。Neural-BSL实现了与传统基准可比的预测性能，同时恢复了行为上连贯的依赖结构。在跨政策情景中，通过所学结构传播干预改变了预测的跨模式重新分配，同时揭示了这些响应背后的下游出行者和出行调整。
查看原文
查看缓存全文

缓存时间: 2026/08/27 09:37 

# 用于离散选择建模的神经贝叶斯结构学习
来源：https://arxiv.org/abs/2608.25258  
查看PDF（https://arxiv.org/pdf/2608.25258）

> 摘要：传统离散选择模型和机器学习模型主要基于观测数据进行估计，通常将解释性协变量视为并行输入，缺乏内部机制来确定当某一属性被有意改变时，相关属性应如何调整。本文提出神经贝叶斯结构学习（Neural-BSL）框架，该框架将可微结构学习与基于随机效用的离散选择估计耦合于单一可微流程中。为防止互斥选择结果扭曲所恢复的属性结构，观测选择被保持在图结构外部作为替代特定效用比较，而属性结构与随机效用参数则被联合学习。通过结构加权的属性交互作用，所学习的结构进入选择模型，并为通过下游属性传播干预提供了结构基础。干预的评估过程为：更新被干预属性，按拓扑顺序传播其模型隐含的下游变化，然后重新计算效用与选择概率。这既产生了预测的模式分担率响应，也揭示了下游旅客或行程属性的相应变化。我们使用首尔陈述偏好数据和伦敦显示偏好数据对Neural-BSL进行评估。结果表明，Neural-BSL在达到与传统基准模型相当预测性能的同时，恢复了行为上连贯的依赖结构。在政策情境分析中，通过学习结构传播干预改变了预测的模式间再分配，同时揭示了这些响应背后的下游旅客与行程调整机制。

## 提交历史记录

来自：Eui-Jin Kim \[查看邮件 (https://arxiv.org/show-email/3302afe0/2608.25258)\] **\[v1\]** 2026年8月26日 星期三 00:42:54 UTC（2,105 KB）

相似文章