DOI: https://doi.org/10.1016/j.trb.2026.103464
تاريخ النشر: 2026-04-22
المؤلف: Zhanhong Cheng وآخرون
الموضوع الرئيسي: التقييم الاقتصادي والبيئي
نظرة عامة
تقدم هذه القسم نهجًا جديدًا لنمذجة الاختيار المنفصل من خلال دمج الشبكات العصبية البيانية (GNNs) في تحليل خيارات الموقع السكني. لقد واجهت طرق التعلم العميق التقليدية صعوبة في نمذجة العلاقات بين بدائل الاختيار بشكل صريح، وهو جانب حاسم من نماذج الاختيار المنفصل الكلاسيكية. تعالج نماذج الاختيار المنفصل المعتمدة على GNN (GNN-DCMs) هذه القيود بفعالية من خلال الاستفادة من هيكل GNNs لالتقاط الاعتماديات بين البدائل المكانية مع الحفاظ على توافقها مع نظرية المنفعة العشوائية الكلاسيكية.
تشمل المساهمات النظرية إثبات أن GNN-DCMs تشمل كل من نموذج اللوجيت المتداخل (NL) ونموذج اللوجيت المرتبط مكانيًا (SCL) كحالات محددة، مما يوفر رؤى خوارزمية جديدة من خلال تمرير الرسائل بين منافع البدائل. تشير النتائج التجريبية إلى أن GNN-DCMs تتفوق بشكل كبير على النماذج التقليدية مثل اللوجيت المتعدد الحدود (MNL)، SCL، والشبكات العصبية التقليدية في توقع خيارات الموقع السكني في 77 منطقة مجتمعية في شيكاغو. بالإضافة إلى ذلك، تلتقط GNN-DCMs بشكل فعال التباين الفردي وتكشف عن أنماط الاستبدال المدركة مكانيًا، مما يبرز إمكاناتها كإطار شامل يدمج نمذجة الاختيار المنفصل مع تقنيات التعلم العميق المتقدمة في سياقات مكانية معقدة.
مقدمة
تؤكد مقدمة هذه الورقة البحثية على أهمية فهم خيارات الموقع السكني لمجالات مختلفة، بما في ذلك تخطيط النقل، التنمية الحضرية، والسياسة الاقتصادية. تسلط الضوء على تعقيدات نمذجة هذه الخيارات كمهام نمذجة اختيار منفصل (DCM)، خاصة بسبب الارتباط المكاني بين البدائل، مما يتحدى افتراضات النماذج الكلاسيكية مثل اللوجيت المتعدد الحدود (MNL). لقد حاولت الأساليب التقليدية، مثل نموذج اللوجيت المتداخل (NL) ونموذج اللوجيت المرتبط مكانيًا (SCL)، معالجة هذه القضايا، لكن التقدم الأخير في الشبكات العصبية (NN) أظهر وعدًا في التقاط العلاقات غير الخطية والتفاعلات المعقدة.
ومع ذلك، غالبًا ما تتجاهل نماذج DCM المعتمدة على NN الحالية الاعتماديات الصريحة بين بدائل الاختيار، حيث تفترض عادةً الاستقلال أو ترميز الارتباطات بشكل غير كاف. للتغلب على هذه القيود، تقدم الورقة إطار عمل لشبكة عصبية بيانية لنمذجة الاختيار المنفصل (GNN-DCMs)، والذي يلتقط بشكل فعال الارتباطات من خلال تمرير الرسائل بين منافع البدائل. لا تعمم GNN-DCMs النماذج الكلاسيكية فحسب، بل تظهر أيضًا أداءً تنبؤيًا متفوقًا في دراسة حالة تتعلق بخيارات الموقع السكني في شيكاغو. تشمل مساهمات الدراسة تطوير إطار عمل GNN-DCM قابل للتوسع، والروابط النظرية بالنماذج الكلاسيكية، ورؤى حول أنماط الاستبدال المدركة مكانيًا والتباين الفردي في سلوك الاختيار.
طرق
يعالج إطار عمل GNN-DCM المقترح اختيار الموقع السكني من خلال دمج الارتباطات المكانية من خلال رسم بياني بديل. يسمح هذا النهج المبتكر بدمج الشبكات العصبية البيانية (GNNs) في نمذجة الاختيار المنفصل، مما يسهل تحليل الاعتماديات بين البدائل. يُظهر الإطار أنه يشمل حالات محددة من نماذج القيمة القصوى العامة (GEV) ونماذج الشبكات العصبية الاصطناعية (ANN)، مما يبرز مرونته.
بالإضافة إلى ذلك، تعزز اشتقاقات المرونة داخل إطار عمل GNN-DCM من قابلية تفسير توقعات النموذج. توفر هذه المرونات رؤى قيمة حول أنماط الاستبدال المدركة مكانيًا، مما يثري الفهم لكيفية تأثير الخيارات السكنية على البدائل المحيطة.
نتائج
في هذا القسم، يقدم المؤلفون تحليلًا مقارنًا لنماذج اختيار القرار المعتمدة على الشبكات العصبية البيانية (GNN-DCMs) مقابل عدة نماذج أساسية، مع التركيز على دراسة حالة لاختيار الموقع السكني في شيكاغو. تسلط النتائج الضوء على مقاييس أداء نموذج GNN، مع التأكيد على قابليته للتفسير والمرونات المرتبطة بعملية اتخاذ القرار. يقدم المؤلفون رابطًا إلى الشيفرة والبيانات المستخدمة في الدراسة، والتي ستصبح متاحة للجمهور عند قبول الورقة.
مناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على تطور وقيود نماذج الاختيار المنفصل الكلاسيكية (DCMs)، وخاصة نموذج اللوجيت المتعدد الحدود (MNL)، الذي يفترض الاستقلال بين البدائل ويفشل في حساب الارتباطات المكانية في خيارات الموقع السكني. لمعالجة هذه القضايا، تم تطوير نماذج مختلفة، بما في ذلك نموذج اللوجيت المتعدد الحدود (MNP)، اللوجيت المختلط، ونماذج القيمة القصوى العامة (GEV)، مع كون نماذج اللوجيت المتداخل (NL) واللوجيت المرتبط مكانيًا (SCL) بارزة لقدرتها على التقاط الاعتماديات المكانية. ومع ذلك، غالبًا ما تتطلب هذه النماذج طرقًا عددية معقدة للتقدير، مما يمكن أن يكون مكلفًا حسابيًا مع مجموعات بيانات كبيرة.
تقترح الورقة نهجًا جديدًا باستخدام الشبكات العصبية البيانية (GNNs) لنمذجة منفعة البدائل بطريقة تدمج الاعتماديات المكانية مباشرة في دالة المنفعة. من خلال تعريف رسم بياني بديل حيث تمثل العقد الخيارات وتوضح الحواف العلاقات المكانية، يسمح إطار عمل GNN بدمج كل من الخصائص الفردية وخصائص البدائل المحددة. لا يعمم هذا النهج النماذج الحالية مثل NL و SCL فحسب، بل يعزز أيضًا قابلية تفسير ودقة التنبؤ لـ DCMs من خلال الاستفادة من قدرات تمرير الرسائل لـ GNNs. يجادل المؤلفون بأن إطار GNN-DCM الخاص بهم يمكن أن يلتقط بفعالية العلاقات المعقدة بين البدائل، مما يوفر فهمًا أكثر دقة لسلوك الاختيار، خاصة في السياقات التي تكون فيها الارتباطات المكانية مهمة.
DOI: https://doi.org/10.1016/j.trb.2026.103464
Publication Date: 2026-04-22
Author(s): Zhanhong Cheng et al.
Primary Topic: Economic and Environmental Valuation
Overview
This section presents a novel approach to discrete choice modeling by integrating Graph Neural Networks (GNNs) into the analysis of residential location choices. Traditional deep learning methods have struggled to explicitly model the relationships among choice alternatives, a critical aspect of classical discrete choice models. The proposed GNN-based discrete choice models (GNN-DCMs) effectively address this limitation by leveraging the structure of GNNs to capture dependencies among spatial alternatives while remaining aligned with classical random utility theory.
Theoretical contributions include demonstrating that GNN-DCMs encompass both the nested logit (NL) model and the spatially correlated logit (SCL) model as specific instances, providing new algorithmic insights through message passing among the utilities of alternatives. Empirical results indicate that GNN-DCMs significantly outperform traditional models such as multinomial logit (MNL), SCL, and standard feedforward neural networks in predicting residential location choices in Chicago’s 77 community areas. Additionally, GNN-DCMs effectively capture individual heterogeneity and reveal spatially-aware substitution patterns, underscoring their potential as a comprehensive framework that merges discrete choice modeling with advanced deep learning techniques in complex spatial contexts.
Introduction
The introduction of this research paper emphasizes the significance of understanding residential location choices for various fields, including transportation planning, urban development, and economic policy. It highlights the complexities of modeling these choices as discrete choice modeling (DCM) tasks, particularly due to the spatial correlation among alternatives, which challenges the assumptions of classical models like the Multinomial Logit (MNL). Traditional approaches, such as the nested logit (NL) and spatially correlated logit (SCL) models, have attempted to address these issues, but recent advancements in neural networks (NN) have shown promise in capturing nonlinear relationships and complex interactions.
However, existing NN-based DCMs often overlook the explicit dependencies among choice alternatives, typically assuming independence or inadequately encoding correlations. To overcome these limitations, the paper introduces a Graph Neural Network framework for discrete choice modeling (GNN-DCMs), which effectively captures correlations through message passing among alternative utilities. The GNN-DCMs not only generalize classical DCMs but also demonstrate superior predictive performance in a case study involving residential location choices in Chicago. The study’s contributions include the development of a scalable GNN-DCM framework, theoretical connections to classical models, and insights into spatially-aware substitution patterns and individual heterogeneity in choice behavior.
Methods
The proposed GNN-DCM framework addresses residential location choice by incorporating spatial correlations through an alternative graph. This innovative approach allows for the integration of Graph Neural Networks (GNNs) into discrete choice modeling, facilitating the analysis of dependencies among alternatives. The framework is shown to encompass specific cases of Generalized Extreme Value (GEV) and Artificial Neural Network (ANN) models, highlighting its versatility.
Additionally, the derivation of elasticities within the GNN-DCM framework enhances the interpretability of the model’s predictions. These elasticities provide valuable insights into spatially-aware substitution patterns, thereby enriching the understanding of how residential location choices are influenced by surrounding alternatives.
Results
In this section, the authors present a comparative analysis of Graph Neural Network-based Decision Choice Models (GNN-DCMs) against several baseline models, focusing on a case study of residential location choice in Chicago. The results highlight the performance metrics of the GNN model, emphasizing its interpretability and the elasticities associated with the decision-making process. The authors provide a link to the code and data used in the study, which will be made publicly accessible upon acceptance of the paper.
Discussion
The discussion section of the research paper highlights the evolution and limitations of classical discrete choice models (DCMs), particularly the Multinomial Logit (MNL) model, which assumes independence among alternatives and fails to account for spatial correlations in residential location choices. To address these issues, various models have been developed, including the Multinomial Probit (MNP), mixed Logit, and Generalized Extreme Value (GEV) models, with the Nested Logit (NL) and Spatially Correlated Logit (SCL) models being notable for their ability to capture spatial dependencies. However, these models often require complex numerical methods for estimation, which can be computationally intensive with large datasets.
The paper proposes a novel approach using Graph Neural Networks (GNNs) to model the utility of alternatives in a way that incorporates spatial dependencies directly into the utility function. By defining an alternative graph where nodes represent choices and edges denote spatial relationships, the GNN framework allows for the integration of both individual and alternative-specific attributes. This approach not only generalizes existing models like NL and SCL but also enhances the interpretability and predictive accuracy of DCMs by leveraging the message-passing capabilities of GNNs. The authors argue that their GNN-DCM framework can effectively capture the complex relationships among alternatives, providing a more nuanced understanding of choice behavior, particularly in contexts where spatial correlations are significant.