Network-based Representations and Dynamic Discrete Choice Models for Multiple Discrete Choice Analysis
多项同时选择分析的网络表示与动态离散选择模型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：摘要明确以随机效用最大化建模多个项目的同时选择，并提出递归选择估计算法，因此归入离散选择。
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…
多项同时选择分析的网络表示与动态离散选择模型
- 研究问题
- 当个体同时选择多个项目、潜在子集数量急剧增长时，如何保留随机效用解释并使模型估计与行为预测可计算？
- 方法与思路
- 作者将备选项目子集视为复合选项，构造有向无环图表示，并证明其等价于递归路径选择模型，以动态规划进行估计。
- 材料陈述的贡献
- 摘要称，图表示缓解子集枚举的计算困难，并可引入路径选择模型刻画子集选项相关性，数值实验展示方法优势。
- 阅读关注点
- 应核对子集与图路径的一一对应、效用和相关性设定、动态规划的复杂度，以及合成和真实数据中的比较基准。
- 阅读边界
- 这是arXiv预印本，同行评审或接收未核实；摘要未给出识别条件或量化性能，图表示本身不意味着研究社会网络干扰。
原文摘要
In many choice modeling applications, people demand is frequently characterized as multiple discrete, which means that people choose multiple items simultaneously. The analysis and prediction of people behavior in multiple discrete choice situations pose several challenges. In this paper, to address this, we propose a random utility maximization (RUM) based model that considers each subset of choice alternatives as a composite alternative, where individuals choose a subset according to the RUM framework. While this approach offers a natural and intuitive modeling approach for multiple-choice analysis, the large number of subsets of choices in the formulation makes its estimation and application intractable. To overcome this challenge, we introduce directed acyclic graph (DAG) based representations of choices where each node of the DAG is associated with an elemental alternative and additional information such that the number of selected elemental alternatives. Our innovation is to show that the multi-choice model is equivalent to a recursive route choice model on the DAG, leading to the development of new efficient estimation algorithms based on dynamic programming. In addition, the DAG representations enable us to bring some advanced route choice models to capture the correlation between subset choice alternatives. Numerical experiments based on synthetic and real datasets show many advantages of our modeling approach and the proposed estimation algorithms.