Equilibrium-Constrained Estimation of Recursive Logit Choice Models
递归 Logit 选择模型的均衡约束估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究递归 Logit 序贯离散选择模型，并联合估计结构参数与值函数。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
递归 Logit 选择模型的均衡约束估计
- 研究问题
- 递归 Logit 模型的嵌套不动点估计可能耗时且不稳定，能否通过重写最大似然问题改善序贯选择模型的计算表现？
- 方法与思路
- 作者将结构参数和值函数同时作为决策变量，构建带均衡约束的最大似然问题，再声称可等价转化为含指数锥的优化问题。
- 材料陈述的贡献
- 摘要称该凸重构在合成与真实数据实验中保持与传统方法相近的估计准确度，同时改善计算稳定性与效率，便于扩大应用规模。
- 阅读关注点
- 应核对均衡约束与原似然问题的等价性、凸性成立的参数与网络条件，以及求解器精度、初始化和运行时间的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明凸性及等价变换的具体条件，也未报告计算改进的数值幅度。
原文摘要
The recursive logit (RL) model provides a flexible framework for modeling sequential decision-making in transportation and choice networks, with important applications in route choice analysis, multiple discrete choice problems, and activity-based travel demand modeling. Despite its versatility, estimation of the RL model typically relies on nested fixed-point (NFXP) algorithms that are computationally expensive and prone to numerical instability. We propose a new approach that reformulates the maximum likelihood estimation problem as an optimization problem with equilibrium constraints, where both the structural parameters and the value functions are treated as decision variables. We further show that this formulation can be equivalently transformed into a conic optimization problem with exponential cones, enabling efficient solution using modern conic solvers such as MOSEK. Experiments on synthetic and real-world datasets demonstrate that our convex reformulation achieves accuracy comparable to traditional methods while offering significant improvements in computational stability and efficiency, thereby providing a practical and scalable alternative for recursive logit model estimation.