Constrained Recursive Logit for Route Choice Analysis
用于路径选择分析的约束递归 Logit 模型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：摘要核心是受可行性约束的路径选择概率模型及其 Logit 表示。
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
用于路径选择分析的约束递归 Logit 模型
- 研究问题
- 递归 Logit 如何纳入旅行时间或能源等可行性约束，排除不现实路径，同时保持无需路径抽样和便于预测的特点？
- 方法与思路
- 作者提出约束递归 Logit，通过扩展状态空间恢复马尔可夫性质，再使用标准价值迭代方法开展可计算的估计。
- 材料陈述的贡献
- 摘要称在正离散成本下证明解的唯一性及与受限路径集多项 Logit 的等价性，并报告行为真实性和估计稳定性的改善。
- 阅读关注点
- 应核对正离散成本与约束形式的具体要求、唯一解对应的对象，以及状态扩展的规模和含循环网络中的计算代价。
- 阅读边界
- 这是 arXiv 预印本，不能确认同行评审或期刊接收；摘要未完整说明唯一性条件及实验指标，不能推及任意约束网络。
原文摘要
The recursive logit (RL) model has become a widely used framework for route choice modeling, but it suffers from a key limitation: it assigns nonzero probabilities to all paths in the network, including those that are unrealistic, such as routes exceeding travel time deadlines or violating energy constraints. To address this gap, we propose a novel Constrained Recursive Logit (CRL) model that explicitly incorporates feasibility constraints into the RL framework. CRL retains the main advantages of RL-no path sampling and ease of prediction-but systematically excludes infeasible paths from the universal choice set. The model is inherently non-Markovian; to address this, we develop a tractable estimation approach based on extending the state space, which restores the Markov property and enables estimation using standard value iteration methods. We prove that our estimation method admits a unique solution under positive discrete costs and establish its equivalence to a multinomial logit model defined over restricted universal path choice sets. Empirical experiments on synthetic and real networks demonstrate that CRL improves behavioral realism and estimation stability, particularly in cyclic networks.