.png){kind=icon}
返回
Comparing econometric and machine learning algorithms for modelling daily time-use patterns
.png){kind=icon}
OA
AI
DOI：10.1080/23249935.2026.2666115.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
时间使用决策是活动基础模型中量化出行需求的关键输入。这些决策通常采用基于效用最大化理论的经济计量方法建模——特别是多重离散-连续极值（MDCEV）模型。由于时间使用决策相当复杂，且不一定以效用最大化框架为基础，我们提出采用数据驱动的机器学习技术（循环神经网络，RNN）来建模时间使用。我们比较了基于长短期记忆（LSTM）的RNN模型与MDCEV模型在预测性能和边际效应方面的差异。使用英国疫情期间收集的时间使用数据，我们发现两种方法在预测准确性上无显著差异，无论是在聚合（样本）层面还是非聚合（个体）层面。因此，我们没有证据表明数据驱动方法在预测时间使用行为方面优于传统经济计量模型。我们还观察到，两种模型得出的边际效应大体相似。然而，在缺乏基准或真实值的情况下，我们无法判断哪种模型的输出更接近现实，这限制了比较的深度。总体而言，我们的研究结果表明，RNN模型可以作为MDCEV模型的可行替代方案来建模时间使用，并具有生成活动时间表的能力。相比之下，MDCEV模型在假设方面更具透明度，并提供更易解释、与政策相关的输出。
Keyword:
Time-use
machine learning
recurrent neural network
multiple discrete continuous extreme value model
