Hybrid Random Regret Minimization and Random Utility Maximization in the Context of Schedule-Based Urban Rail Transit Assignment
Notice bibliographique
Résumé
Route choice is one of the most critical passenger behaviors in public transit research. The utility maximization theory is generally used to model passengers’ route choice behavior in a public transit network in previous research. However, researchers have found that passenger behavior is far more complicated than a single utility maximization assumption. Some passengers tend to maximize their utility while others would minimize their regrets. In this paper, a schedule-based transit assignment model based on the hybrid of utility maximization and regret minimization is proposed to study the passenger route choice behavior in an urban rail transit network. Firstly, based on the smart card data, the space-time expanded network in an urban rail transit was constructed. Then, it adapts the utility maximization (RUM) and the regret minimization theory (RRM) to analyze and model the passenger route choice behavior independently. The utility values and the regret values are calculated with the utility and the regret functions. A transit assignment model is established based on a hybrid of the random utility maximization and the random regret minimization (RURM) with two kinds of hybrid rules, namely, attribute level hybrid and decision level hybrid. The models are solved by the method of successive algorithm. Finally, the hybrid assignment models are applied to Beijing urban rail transit network for validation. The result shows that RRM and RUM make no significant difference for OD pairs with only two alternative routes. For those with more than two alternative routes, the performance of RRM and RUM is different. RRM is slightly better than RUM in some of the OD pairs, while for the other OD pairs, the results are opposite. Moreover, it shows that the crowd would only influence the regret value of OD pair with more commuters. We conclude that compared with RUM and RRM, the hybrid model RURM is more general.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».