Accounting for similarities between alternatives in discrete choice models based on high-resolution observations of transport behaviour

Abstract

In transport research, discrete choice models are used to represent many aspects of travel behaviour. They model the choice of a decision-maker who is confronted with a set of discrete alternatives and chooses the alternative that maximises his or her utility. Discrete choice models give analysts and political decision-makers the opportunity to asses the impacts of infrastructure schemes and transportation policies in different scenarios with relatively low effort. Considering the scale of these projects and their significance for society, a realistic representation of travel behavior is crucial. To achieve more realistic travel behaviour models, researchers recently focussed – amongst others – on two major issues: a more accurate representation of the actual behaviour and the available alternatives by the means of high-resolution data and the treatment of similarities between alternatives. The high-resolution observations are obtained from GPS surveys which offer several advantages. Modellers benefit from more accurate and reliable information while the participants’ burden is reduced substantially as long as the GPS recording is not combined with time-consuming questioning. However, the increasing spatial resolution leads to new challenges, in particular regarding the treatment of similarities. Choice models estimated on high-resolution data are characterised by a large number of alternatives and complex similarity structures due to an increasing number of alternatives that differ only slightly from each other. Thus, state-ofthe- art models have to be able to handle large choice sets and at the same time be flexible and able to accommodate various similarity structures. In this dissertation, GPS observations for 32,000 person-days recorded by inhabitants of the Swiss cities of Zurich, Winterthur, and Geneva are processed with the aim to estimate car route choice models with an appropriate treatment of the similarities between the alternatives. The processing included filtering and cleaning the GPS records, deriving trips, activities and modes, and identifying the chosen routes by matching the car trips to a high-resolution network. Then, the choice sets were generated. The subsequently estimated route choice models tested different adjustment terms to account for route overlap. During the entire process, interesting lessons were learned about the new challenges introduced by the high level of spatial detail. These lessons are of vital importance for all analysts who want to model travel behaviour with this new generation of individual travel behaviour observations. In der Verkehrsplanung werden mit diskreten Entscheidungsmodellen vielfaltige Aspekte des Verkehrverhaltens abgebildet. Modelliert wird die Entscheidung einer Person, die aus einem Satz von Alternativen diejenige die mit dem grossten Nutzen auswahlt. Diskrete Entscheidungsmodelle bieten Planern und politischen Entscheidungstragern die Moglichkeit, die Auswirkungen von Infrastrukturveranderungen und verkehrspolitischen Massnahmen fur verschiedene Szenarien mit relativ geringem Aufwand zu bestimmen und zu vergleichen. Angesichts der Grossenordnung dieser Projekte und ihrer Bedeutung fur die Gesellschaft, ist eine realistische Abbildung des Verkehrsverhaltens in den Modellen ausserst wichtig. Um eine realistischere Abbildung des Verkehrsverhaltens zu erreichen, hat sich die Forschung in letzter Zeit unter anderem auf zwei Themengebiete konzentriert: die genauere Abbildung des tatsachlichen Verhaltens und der Auswahlalternativen durch den Einsatz von hochaufgelosten Daten und die Behandlung von Ahnlichkeiten zwischen den Alternativen. Hochaufgeloste Beobachtungen des Verkehrsverhaltens stammen aus GPS Studien, die zahlreiche Vorteile bieten. Verkehrsplaner profitieren von genaueren und zuverlassigeren Informationen uber das Verkehrsverhalten wahrend der Aufwand fur die Befragten gering ist, sofern die GPS Aufzeichnungen nicht von zeitaufwandigen Befragungen begleitet werden. Andererseits birgt die grossere raumliche Auflosung auch neue Herausforderungen fur die eigentliche Modellierung, besonders im Hinblick auf die Behandlung von Ahnlichkeiten zwischen den Alternativen. Entscheidungsmodelle, die auf hochaufgelosten Daten geschatzt werden, sind durch eine grosse Anzahl an Alternativen und komplexe Ahnlichkeitsstrukturen sich in den wesentlichen Merkmalen kaum von anderen Alternativen unterscheiden. Daher mussen moderne Entscheidungsmodelle grosse Alternativensatze verarbeiten konnen und gleichzeitig flexibel genug sein um vielfaltige Ahnlichkeitsstrukturen abzubilden. In Rahmen dieser Dissertation wurden GPS Beobachtungen ausgewertet, die 32’000 Personen-Tage umfassen und von Personen wohnhaft in Zurich, Winterthur und Genf stammen. Das Ziel war, aus diesen Daten Routenwahlmodelle fur PW-Fahrten zu schatzen, die in geeigneter Weise die Ahnlichkeiten zwischen den Routen berucksichtigen. Dazu wurden die GPS Punkte filtert und geglattet, zwischen Fahrten und Aktivitaten unterschieden, fur die Fahrten die verwendeten Verkehrsmittel identifiziert und die gewahlten Routen innerhalb eines hochaufgelosten Netzwerks bestimmt. Anschliessend wurden die Alternativensatze generiert. Die daraus geschatzten Routenwahlmodelle testeten verschiedene Korrekturfaktoren fur die Behandlung der Ahnlichkeiten. Im Verlaufe aller Arbeitsschritte wurden interessante Erkenntnisse uber die neuen Herausforderungen gewonnen, die die Verwendung von hochaufgelosten Daten mit sich bringt. Diese Erkenntnisse werden eine entscheidende Hilfe fur andere Verkehrsplaner sein, die diese noch relativ neue Moglichkeit der Beobachtung des individuellen Verkehrsverhaltens nutzen mochten.

Cite this work

No public copy is stored for this record, so only the metadata is cited.

Stored only when both papers are in the corpus — 20 citations exist upstream.

Papers that cite the same references — the relational fallback while embeddings are still backfilling.