Integrating machine learning and discrete choice modeling for enhanced shopping destination choice model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
• Develops a modeling framework using machine learning and econometrics for parcel-level shopping destination choice. • Generates shopping location choice sets based on business types and locations. • Predicts individual shopping location choices using an econometric model considering unobserved behavior variations. • Results show longer travel times decrease routine shopping, while high retail areas attract shoppers variably. This study develops a two-stage modeling framework for parcel-level shopping destination choice, accounting for multi-dimensional factors and the heterogeneity in shopping location choice behavior. The study follows two steps: (i) developing a shopping location choice set generation process comprising feature selection and encompassing business types and locations, and (ii) developing an econometric model to predict individual shopping location choice behavior considering unobserved heterogeneity. The study advances a novel approach of combined machine learning (ML) and random utility-based discrete choice modeling (i.e., mixed logit model (MXL)). Results from the MXL model reveal that the longer the travel time and distance from the central business district, the less likely people are to visit a store for routine shopping (e.g., groceries). The random parameter analysis reveals that although high retail concentration surrounding the desired shopping location should attract individuals for shopping, there will be people who still may not intend to shop at those locations. Similarly, people may be willing to travel to stores requiring longer travel times for special item shopping. The models developed in this study will be implemented within an integrated transport, land use, and energy (iTLE) modeling system to improve the behavioral representation of destination choices.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle