Generative Modelling and Machine Learning Methods for Travel Behaviour Analysis
Notice bibliographique
Résumé
The dissertation outlines novel analytical and experimental methods for discrete choice modelling using generative modelling and information theory. It explores the influence of information heterogeneity on large scale datasets using generative modelling. The behaviorally subjective psychometric indicators are replaced with a learning process in an artificial neural network architecture. Part of the dissertation establishes new tools and techniques to model aspects of travel demand and behavioural analysis for the emerging transport and mobility markets. Specically, we consider: (i) What are the strengths, weaknesses and role of generative learning algorithms for behaviour analysis in travel demand modelling? (ii) How to monitor and analyze the identiability and validity of the generative model using Bayesian inference methods? (iii) How to ensure that the methodology is behaviourally consistent? (iv) What is the relationship between the generative learning process and realistic representation of decision making as well as its usefulness in choice modelling? and (v) What are the limitations and assumptions that have needed to develop the generative model systems? This thesis is based on four articles introduced in Chapters 3 to 6. Chapters 3 and 4 introduces a restricted Boltzmann machine learning algorithm for travel behaviour that includes an analysis of modelling discrete choice with and without psychometric indicators. Chapter 5 provides an analysis of information heterogeneity from the perspective of a generative model and how it can extract population taste variation using a Bayesian inference based learning process. One of the most promising applications for generative modelling is for modelling the multiple discretecontinuous data. In Chapter 6, a generative modelling framework is developed to show the process and methodology of capturing higher-order correlation in the data and deriving a process of sampling that can account for the interdependencies between multiple outputs and inputs. A brief background on machine learning principles for discrete choice modelling and newly developed mathematical models and equations related to generative modelling for travel behaviour analysis are provided in the appendices.
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 | 0,011 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».