Dipl.-Kfm. Marc Ch. Gelhausen Ein Generalized Neural Logit-Modell zur Prognose von Flughafen- und...
-
Upload
gerlach-strebe -
Category
Documents
-
view
105 -
download
1
Transcript of Dipl.-Kfm. Marc Ch. Gelhausen Ein Generalized Neural Logit-Modell zur Prognose von Flughafen- und...
Dipl.-Kfm. Marc Ch. Gelhausen
Ein Generalized Neural Logit-ModellEin Generalized Neural Logit-Modell
zur Prognose vonzur Prognose von
Flughafen- und ZugangsverkehrsmittelwahlFlughafen- und Zugangsverkehrsmittelwahl
„„Key Aspects“Key Aspects“
Diskretes Entscheidungsmodell Konzept der Gruppen
Allgemeines Modell zur Prognose von Flughafen- und Zugangsverkehrsmittelwahl
Theorie der Modellierung diskreter Entscheidungen
Neuartige Lösung eines bestehenden Problems
AgendaAgenda
Theorie diskreter Entscheidungsmodelle
Konzept der Gruppen
Generalized Neural Logit-Modell
Allgemeines Modell zur Prognose von
Flughafen- und Zugangsverkehrsmittelwahl
Theorie diskreter Entscheidungsmodelle
Konzept der Gruppen
Generalized Neural Logit-Modell
Allgemeines Modell zur Prognose von
Flughafen- und Zugangsverkehrsmittelwahl
Eigenschaften der Alternativen, wie z.B. Zugangskosten, etc.
Diskretes Entscheidungsmodell:
„Modellhafte Abbildung von individuellem
nutzenmaximierenden Entscheidungsverhalten, welches aus
externer Perspektive nur unvollständig beobachtbar ist.“
Entscheidungsträger: „Welche Alternative ist für mich die optimale?“
Nutzenbewertung anhand entscheidungsrelevanter Kriterien
Theorie diskreter Entscheidungsmodelle
PrognosephilosophiePrognosephilosophie
Relative Anteile der einzelnen Alternativen nach Marktsegment
Aggregation über homogene Populationen
mangelnde Beobachtbarkeit, Messfehler, etc.
Prognostiker: „Welche Alternative ist für ihn wahrscheinlich die optimale?“
Auswahlwahrscheinlichkeiten der Alternativen
Interne individuelle Sicht
Externe individuelle Sicht
Externe aggregierte Sicht
Theorie diskreter Entscheidungsmodelle
Logit- und nested Logit-ModellLogit- und nested Logit-Modell
Entscheidungskriterium:
Nutzen einer Alternative i: Ui = Vi + εi
Aus externer Sicht deterministischer bzw. stochastischer Alternativennutzen
V ist eine beliebige Funktion, z.B. linear-separabel: Vi = alti + ∑ bk • xk, ik
Alternativenauswahlwahrscheinlichkeiten:
jP(i) = exp(μVi) / ∑exp(μVj)
Keine Abbildung von stochastischen Korrelationen möglich!
Logit-Modell
εi sind unabhängig und identisch Gumbel-verteilt
Modus
f()
PKW Taxi Mietwagen Bus S-Bahn Fernzug
Individualverkehr Öffentlicher Verkehr
P(PKW) = P(IV) • P(PKW | IV)
P(i | ck) = exp(μVi) / ∑exp(μVj)jck
P(ck) = exp(μkVk) / ∑exp(μlVl )l
c c
Vk = 1/μ ln∑exp(μVj) E(Max. Nutzen eines Clusters ck):jck
cNested Logit-Modell
Modellparameterschätzung auf einer Alternativenteilmenge möglich?
Theorie diskreter Entscheidungsmodelle
IIA-EigenschaftIIA-Eigenschaft
Independence from Irrelevant Alternatives (IIA):
„Das Verhältnis zweier Auswahlwahrscheinlichkeiten ist
(im Logit-Modell) ausschließlich von den Eigenschaften
der beiden betrachteten Alternativen abhängig.“
exp(μVi)
exp(μVj)
exp(μVi) / ∑exp(μVj)k
exp(μVj) / ∑exp(μVj)k
P(i)
P(j)= =
exp(μVi)
exp(μVj)
exp(μVi) / ∑exp(μVj)k
exp(μVj) / ∑exp(μVj)k
P(i)
P(j)= =
Schätzung der generischen Modellparameter
auf einer Alternativenteilmenge möglich
Nested Logit-Modell und IIA?
∑exp(μVj )jc1
exp(μV1)
∑exp(μVj )jc2
exp(μV2)
∑exp(μVj )jc1
exp(μV1)
∑exp(μVj )jc2
exp(μV2)
P(c1) • P(1 | c1)
P(c2) • P(2 | c2) =
∑exp(μlVl )l
c
exp(μ1V1)c
∑exp(μlVl )l
c
exp(μ2V2)c
•
•
=exp(μ1V1)
c
exp(μ2V2)c
•∑exp(μVj )jc1
exp(μV1)
∑exp(μVj )jc2
exp(μV2)
∑exp(μVj )jc1
exp(μV1)
∑exp(μVj )jc2
exp(μV2)
P(c1) • P(1 | c1)
P(c2) • P(2 | c2) =
∑exp(μlVl )l
c
exp(μ1V1)c
∑exp(μlVl )l
c
exp(μ2V2)c
•
•
=exp(μ1V1)
c
exp(μ2V2)c
•
Zwei Fälle werden unterschieden:
Beide Alternativen aus demselben Cluster ja
Beide Alternativen aus verschiedenen Clustern nein
Theorie diskreter Entscheidungsmodelle
Konzept der Gruppen
Generalized Neural Logit-Modell
Allgemeines Modell zur Prognose von
Flughafen- und Zugangsverkehrsmittelwahl
Konzept der Gruppen
Cluster- und AlternativengruppenCluster- und Alternativengruppen
Ziel: Entwicklung eines allgemeinen szenariotauglichen Modells
Evaluierung bisher nicht-existenter Alternativen
Vorgehen: Gruppierung der Alternativen bzw. Cluster
Identische Varianz-Kovarianz-Matrix
Alternativenspezifische Variablen
μk
alti
Konzept der Gruppen
FlughafenkategorienFlughafenkategorien
Frankfurt/Main Düsseldorf Dortmund Köln …
Flughafen
Klassisch:
Frankfurt/Main Düsseldorf Dortmund Köln …
Flughafen / Flughafenkategorie
FH1 FH2 FH3 FH2 …
Generisch:
„Flughafenkategorien entsprechen Produkttypen“
Nachfrageorientierte Perspektive
Kohonen‘s Self Organizing Maps
LCBRD CCBRD LBRD LCEUR CCEUR LEUR LCINT CCINT LINT NUMBRD NUMEUR NUMINT
FH1 3,18 0,43 20,39 0,87 5,83 55,81 0,00 1,24 12,25 8,31 60,27 31,42
FH2 8,97 0,58 28,27 11,65 11,76 37,24 0,02 0,71 0,79 16,23 74,62 9,16
FH3 1,29 0,86 39,22 32,57 15,57 10,05 0,02 0,42 0,00 19,94 78,90 1,16
LC: Low-Cost Carrier BRD: Deutschland
CC: Charter Carrier EUR: Europa
L: Liniencarrier INT: Interkontinental
NUM: Anzahl Ziele
Durchschnittliche Angebotsstruktur (in %):Durchschnittliche Angebotsstruktur (absolut):
LCBRD CCBRD LBRD LCEUR CCEUR LEUR LCINT CCINT LINT NUMBRD NUMEUR NUMINT
FH1 106 16 756 32 225 2138 0 49 517 19 144 83
FH2 104 7 348 129 153 487 0 11 11 17 80 12
FH3 3 1 80 47 25 39 0 0 0 6 22 1
Kategorie Flughafen (IATA-Code)
FH1 Frankfurt a. M. (FRA)
FH1 München (MUC)
FH2 Düsseldorf (DUS)
FH2 Hamburg (HAM)
FH2 Köln/Bonn (CGN)
FH2 Stuttgart (STR)
FH3 Bremen (BRE)
FH3 Dortmund (DTM)
FH3 Dresden (DRS)
FH3 Erfurt (ERF)
FH3 Frankfurt Hahn (HHN)
FH3 Friedrichshafen (FDH)
FH3 Hannover (HAJ)
FH3 Karlsruhe/Baden (FKB)
FH3 Leipzig/Halle (LEJ)
FH3 Lübeck (LBC)
FH3 Münster/Osnabrück (FMO)
FH3 Niederrhein (NRN)
FH3 Nürnberg (NUE)
FH3 Paderborn/Lippstadt (PAD)
FH3 Saarbrücken (SCN)
Flüge pro Woche Anzahl Ziele
Theorie diskreter Entscheidungsmodelle
Konzept der Gruppen
Generalized Neural Logit-Modell
Allgemeines Modell zur Prognose von
Flughafen- und Zugangsverkehrsmittelwahl
Kombinationen von Nutzenfunktionen
A priori nicht zu spezifizierende
nichtlineare Nutzenfunktion
Abbildung beliebiger
Korrelationsstrukturen
Künstliche neuronale Netze
Bessere Abbildung individuellen Entscheidungsverhaltens
Generalized Neural Logit-Modell
Motivation des GNLMotivation des GNL
Nicht-konstanter Grenznutzen
Interdependente Eigenschaftsbewertungen
Komplexer Einfluss nicht-messbarer Alternativeneigenschaften
Funktionale Form der Nutzenfunktion
Korrelationsstruktur
Deterministische Nutzenkomponente
Stochastische Nutzenkomponente
Vi = f(xi)
x ta
nh(x
) x
ex 1/
x x
11,1x 11,kx 11,
Kx 12,1x 12,k
x 12,
Kx 1I,1x 1I,kx 1I,
Kx GI,1x GI,kx GI,
KxG2,1x G2,kx G2,
KxG1,1x G1,kx G1,
Kx
1 1P
1 2P
1 IP
G 1P
G 2P G IP
ViLK = ∑γij • Vj
jApLK
Pi = exp(ViLK) / ∑exp(Vj
LK)j
x tanh(x) x
i,1x
i,kx
i,KxiV
Generalized Neural Logit-Modell
Elemente des GNLElemente des GNL
Nutzenfunktion Linearkombinationen Logit-FunktionNutzenfunktion Linearkombinationen Logit-Funktion
x x x x
(a) Keine Präferenzkorrelationen (b) Vollständige Präferenzkorrelationen
(c) Präferenzkorrelationen innerhalb von Clustern (d) Vollst. restr. Präferenzkorrelationen
x xLK1
1VLK1
2VLK1
iVLK1
IVLKg
iVLKG
1VLKG
2VLKG
iVLKG
IV
11V12V1iV1IV
giVG1VG2VGiVGIV
x x11V12V1iV1IV
giVG1VG2VGiVGIV
LK11V
LK12V
LK1iV
LK1IV
LKgiV
LKG1V
LKG2V
LKGiV
LKGIV
1V
2V
iV
IV
1V
2V
iV
IV
LK1VLK2VLKiVLKIV
LK1VLK2VLKiVLKIV
Nutzenfunktion Linearkombinationen Logit-Funktion
x xLK1
1VLK1
2VLK1
iVLK1
IVLKg
iVLKG
1VLKG
2VLKG
iVLKG
IV
11V12V1iV1IV
giVG1VG2VGiVGIV
ex 1/x x
LK1VLK2VLKiVLKIV
1P
2P
iP
IP
Nutzenfunktion Linearkombinationen Logit-Funktion
NetzwerkspezifikationNetzwerkspezifikation
Generalized Neural Logit-Modell
Komplexitätsgrad der Nutzenfunktion?
Overfitting
f(x)
x
f(x)
Underfitting
x
Optimum
f(x)
x
zu wenige - Anzahl verdeckter Neuronen + zu viele
1. Schritt: Genetische Suche + Cross Validation
2. Schritt: Finale Parameterschätzung
Ziel: Optimale Generalisierungsfähigkeit bei maximaler Information
Theorie diskreter Entscheidungsmodelle
Konzept der Gruppen
Generalized Neural Logit-Modell
Allgemeines Modell zur Prognose von
Flughafen- und Zugangsverkehrsmittelwahl
Nested Logit-ModellGeneralized Neural Logit-Modell
P(F
H1P
KW
)
P(F
H1T
AX
I)
P(F
H1B
US
)
P(F
H1F
Z)
P(F
H2P
KW
)
P(F
H2T
AX
I)
P(F
H2B
US
)
P(F
H2F
Z)
P(F
H3P
KW
)
P(F
H3T
AX
I)
P(F
H3B
US
)
P(F
H3F
Z)
CO
ST
(F
H1P
KW
)
DF
RE
Q (
FH
1PK
W)
FH
1PK
W
CO
ST
(F
H1T
AX
I)
DF
RE
Q (
FH
1TA
XI)
F
H1T
AX
I
CO
ST
(F
H1B
US
)
DF
RE
Q (
FH
1BU
S)
FH
1BU
S
CO
ST
(F
H1F
Z)
DF
RE
Q (
FH
1FZ
) F
H1F
Z
CO
ST
(F
H2P
KW
)
DF
RE
Q (
FH
2PK
W)
FH
2PK
W
CO
ST
(F
H2T
AX
I)
DF
RE
Q (
FH
2TA
XI)
F
H2T
AX
I
CO
ST
(F
H2B
US
)
DF
RE
Q (
FH
2BU
S)
FH
2BU
S
CO
ST
(F
H2F
Z)
DF
RE
Q (
FH
2FZ
) F
H2F
Z
CO
ST
(F
H3P
KW
)
DF
RE
Q (
FH
3PK
W)
FH
3PK
W
CO
ST
(F
H3T
AX
I)
DF
RE
Q (
FH
3TA
XI)
F
H3T
AX
I
CO
ST
(F
H3B
US
)
DF
RE
Q (
FH
3BU
S)
FH
3BU
S
CO
ST
(F
H3F
Z)
DF
RE
Q (
FH
3FZ
) F
H3F
Z
Logit-Modell
Allgemeines Modell zur Prognose von Flughafen- und Zugangsverkehrsmittelwahl
BasisalternativenBasisalternativenAlternativengruppen Abkürzung
FH1/Pkw selbstgefahren FH1PKW
FH1/Pkw gebracht FH1PKWG
FH1/Mietwagen FH1MW
FH1/Taxi FH1TAXI
FH1/Bus FH1BUS
FH1/S-Bahn FH1SB
FH1/Fernzug FH1FZ
FH2/Pkw selbstgefahren FH2PKW
FH2/Pkw gebracht FH2PKWG
FH2/Mietwagen FH2MW
FH2/Taxi FH2TAXI
FH2/Bus FH2BUS
FH2/S-Bahn FH2SB
FH2/Fernzug FH2FZ
FH3/Pkw selbstgefahren FH3PKW
FH3/Pkw gebracht FH3PKWG
FH3/Mietwagen FH3MW
FH3/Taxi FH3TAXI
FH3/Bus FH3BUS
FH3/S-Bahn FH3SB
FH3/Fernzug FH3FZ
FHi
IVi ÖVi
FHiPKW FHiPKWG FHiMW FHiTAXI FHiBUS FHiSB FHiFZ
i=1, 2, 3… …
Gruppierung der Alternativen
Bildung von Teilsamples und Alternativenteilmengen
Bildung eines neuen Gesamtsamples aus Teilsamples
Schätzung der gruppenspe-zifischen Modellparameter
Modellschätzung
Beispiel: Studie für die Deutsche Bahn AG
Untersuchungsgegenstand: Flughafen- und Zugangsverkehrsmittelwahl in Deutschland + Szenarien bezüglich der Flughafenanbindung
Anzahl Flughäfen: 22
Anzahl Kombinationen Flughafen/Zugangsverkehrsmittel: 122 real, 154 potentiell
Zugangsverkehrsmittelwahl am Flughafen München von Heidelberg aus
Ohne Transrapidanschluss: Mit Transrapidanschluss:
Allgemeines Modell zur Prognose von Flughafen- und Zugangsverkehrsmittelwahl
Modellschätzung und -anwendungModellschätzung und -anwendung
Teilsample Flughäfen (IATA-Code)
BRE
DTM
FDH
FKB
HHN
LBC
LEJ
NUE
PAD
FRA, HAM, BRE
FRA, DUS, DTM
MUC, STR, FDH
FRA, STR, FKB
FRA, DUS, HHN
FRA, HAM, LBC
FRA, HAM, LEJ
MUC, STR, NUE
FRA, DUS, PAD
Marktsegmente:
BRD
Europa
Interkont
Privat
Geschäft
Insgesamt jeweils 7 Marktsegmente
Insgesamt 21 Modelle geschätzt:
7 Logit-Modelle
7 nested Logit-Modelle
7 Generalized Neural Logit-Modelle
Generische Variablen
Alternativenspezifische Variablen
Clusterspezifische Variablen
Auswahl von Flughäfen und Zugangsverkehrsmitteln
Zuordnung der Alternativen zu Gruppen mit entspr. Parametern
Durchführung der aufgaben-abhängigen Modellrechnungen
Modellanwendung
Konkreter Anwendungsfall
Anwendbar auf beliebige Flughafen/Zugangsverkehrsmittelkombinationen
Keine Begrenzung der Alternativenzahl
Vorteile:
Allgemeines Modell zur Prognose von Flughafen- und Zugangsverkehrsmittelwahl
Vergleich der ModellansätzeVergleich der Modellansätze
R2(const) bis zu 45% (NL) bzw. 60% (MNL) höher
Entspricht einem R2 der linearen Regression von 82% bis 92%
R2(null) in % R2(const) in %
Marktsegment MNL NL GNL Diff. zu NL MNL NL GNL Diff. zu NL
BRD P55,9
457,41 61,35 3,94 42,71 43,82 49,74 5,92
BRD G52,7
854,10 58,13 4,03 40,42 40,47 47,16 6,69
EUR K50,7
452,40 58,09 5,69 41,22 41,94 49,99 8,05
EUR U50,5
552,29 56,51 4,22 37,58 38,22 45,10 6,88
EUR G45,8
148,58 51,96 3,38 34,34 35,96 41,79 5,83
INT P45,3
648,89 55,10 6,21 29,43 32,86 42,01 9,15
INT G44,4
147,46 56,01 8,55 25,76 28,30 41,26 12,96
Zusammenfassung und FazitZusammenfassung und Fazit
Verfahren zur Entwicklung allgemeiner szenariotauglicher Modelle
Neues flexibles diskretes Entscheidungsmodell
Flughafen- und Zugangsverkehrsmittelwahlanalyse und -prognose
Neuartige Lösung eines bestehenden Problems
Wissenschaftliche und praxisbezogene Aspekte:
Nested Logit-Ansatz
Bester „konventioneller“ Ansatz
Angewendet im Rahmen der strategischen Planung der DB AG
Reviewed Presentation ATRS World Conference 2006, Nagoya/Japan
Generalized Neural Logit-Ansatz
Gleichbleibend hohe Modellgüte über alle Marktsegmente
Ausgezeichnet mit dem Neil Mansfield Award auf der European Transport Conference 2006, Strasbourg/Frankreich