第17回行動モデル夏の学校2018



        東京大学 羽藤研究グループ > 講座 > 2018 > 行動モデル夏の学校2018 > 当日のまとめ

第17回行動モデル夏の学校2018は,東京都・文京区の東京大学本郷キャンパスにて,2018年9月14日から16日にかけての3日間,講師15名,参加者90名(うち聴講者12名)によって行われました.

このセミナーでは,ネットワーク上の選択理論の基礎となる行動モデルとフローモデルの講義を下敷きに,スマートフォンによるプローブパーソンデータを用いたプログラミングスタディにチームで取り組みます.都市計画や交通計画,土木計画における立地選択,目的地選択,経路選択,交通手段選択などの様々な需要予測の中での位置づけと事例紹介を行ったうえで,道路空間の再配分や観光,中心市街地再生,マーケティングなどへの応用と,プローブパーソン調査などの新たな行動調査とデータプラットフォーム手法についての最新事例を学びました.以下にその内容をまとめます.

During this summer (Sep. 2018), we organized a special seminar. This series of 2-3 days lectures and exercises will be an insight in Model Estimation. This annual event has been held since 2002 and this is the 17th time. Outstanding researchers showed us the case studies on demand estimations of location choice, route choice, and transportation mode choice used in the fields of: Civil planning, Urban planning, and Transportation planning. We learned the brand new methods of individual behavior survey like Probe Person, and thought about how to apply it practically in real world such as: Redistribution of Road Usage, Tourism Planning, Renewal of City Central Area, and Marketing optimization.


基調講演 Keynote lecture / 講義 Lectures /
研究奨励賞受賞者 Invited Lecture /
演習 Group work / 表彰 Award


基調講演 Keynote Speech


Prof. Takayuki Morikawa (Nagoya University)
Incorporating psychological factors into discrete choice models

The keynote lecture started with Max Weber's four types of action. Generally, economics usually treats rational & repetitive actions. In this case, consumer's behavior is defined by the utility function and some restraints. Discrete choice models, such as MNL, have been developed under such assumptions. There are two types of data often used for model estimation, one is the RP (Revealed Preference) data, and another is SP (Stated Preference) data, which includes the preference information declared by interviewees, in hypothetical situations. In model estimation, the attributes of both alternatives and decision-makers should contain subjective perception and attitude. Therefore, it is necessary to combine economic data with psychometric data. Morikawa, Ben-Akiva, and McFadden have developed an integrated framework for demand analysis, utilizing both econometric data and psychometric data. In this framework, he adopted latent explanatory variables, which express subjective attitude and perceptions, and the RP/SP combined modeling is found to be useful for the measurement of the quantitative value of the intangible factors. He also introduced the Two-Stage Probabilistic Choice Set Model. In this model, The choice set is not given but formulated. As the computing power is advancing these days, any types of discrete choice models can be estimated, and machine learning is even more powerful to forecast human behavior, but it is necessary to keep in mind that we cannot understand the behavior only by the machine learning methods. (PDF Document)


講義 Lectures


Behavioral modelling theory and estimation methods


Arnab Jana(IIT Mumbai)
The theory and estimation methods of behavior model (1)

Travel demand model is necessary for the forecast of transportation demand. In general, the four-step model is useful for the prediction of the travel demand. The four-step model consists of trip generation, trip distribution, modal split, and assignment. In the step of trip generation, we predict the number of trips generated in (Oi) and attached to (Di). In the next step, we estimate the zone to zone movements. i.e. OD table. In the step of mode choice, when the preference of the individual is unknown, we adopt the discrete choice model to calculate the probability. In the last step, we allocate the trips between each link, under the assumption of user equilibrium. There are still some limitations to the four-step model because that model does not regard a travel as demand derived from the activity participation results. Therefore, there is a necessity of the Activity-Based Based Travel Demand Modeling. In the ABM model, trips are not independent but associated with each other. The ABM model is theoretically based on the human behavior and gives us better understanding and prediction of traveler's behavior. (PDF Document)


Giancarlos Troncoso Parady(Univ. Tokyo)
The theory and estimation methods of Behavior Model (2)

To some extent, modeling is an "art" as much as is a science. When we specify the utility function by observable variables and the error term, error term reflects the sources of randomness. When the error term follows the normal distribution, the choice model is called a probit model, which is quite flexible but requires much computation power. The logit-model is a probit-like model that approximates a normal distribution and in this model, when the error terms follow the i.i.d. Gumbel distribution, we can express the probabilities in a closed-form, so it is analytically convenient. The logit-model is tractable, but the validity of the choice axiom fails when the alternatives are not distinct because of the IIA constraint. Therefore, the logit model can capture the dynamics of the repeated choices if unobserved factors are independent over time only. Using the result of parameter estimation, we can measure the elasticities and the marginal effects. The parameters of each variable are optimized through maximizing the log-likelihood function, and we can calculate the goodness of fit by the likelihood ratio test, but we must keep in mind that good fitting models can still result in erroneous predictions. (PDF Document)


Toshiyuki Yamamoto (Nagoya Univ.)
Practical note on specification of discrete choice model

We need to improve the model in terms of calculation speed, then we should compare between Binary Logit model & binary probit model, MNL model & NL model, and NL model & MXL model. Then, we have to apply the following assumption for scale parameters to these models. In the first comparison, μ and σ cannot be identified because of β. Therefore standardization of μ and σ is necessary: μ = σ= 1. In the next comparison, standardization of μ as 1 is recommended to keep the size of β in order to compare with the multinomial logit model because of two error terms for NL model. In the third comparison, considering [only difference in utility matters], setting εI’ = εI - εT and εT’ = 0 gives the same β because different probability distributions are mixed in the mixed logit model. (PDF Document)


行動モデルの基礎と推定


倉内慎也(愛媛大)
・行動モデルの基礎理論とその導出

行動モデルは主体の意思決定を,新古典派ミクロ経済学における効用に着目し,観測可能な確定項と観測不可能な要素を確率的に扱う誤差項の和とした効用を最大化する選択行動をとる(ランダム効用理論)という仮定をおいてモデル化している.モデルを構成する説明変数やパラメーター,選択肢集合,誤差項にもいくつかの仮定をおいており,行動モデルの分野は,これらの仮定を緩めることで現実とより整合性のあるモデルを開発する方向に発展していった. (PDF Document)


佐々木邦明(山梨大)
行動モデルの推定の仕組み

行動モデルのモデル式中のパラメータ推定手法としては、最尤推定法が代表的である。ここでは、尤度関数が最大となる点を近似計算により求めるが、その際の計算アルゴリズムで代表的なものとして、準Newton法など3種類を示している。さらに、推定が成功しないケースについて、典型的な原因をいくつか紹介している。最尤推定法がうまくいかない場合に、シミュレーションを用いる手法がある。これは、誤差項の確率密度関数に従う乱数を発生させて尤度関数を最大化するという考え方であり、MSLが紹介されている。また、特に多くのデータが継続的に取得できる際の手法として、ベイズ推定を用いるものも存在する。最後に、不完全データを扱う際の最尤推定手法として、EMアルゴリズムを示している。 (PDF Document)


浦田淳司(東京大)
行動分析における最適化問題

行動モデルを扱う際の最適化問題として、行動選択肢という離散量を扱う効用最大化と、パラメータという連続量を扱う尤度最大化を考えることが多い。ここでは、「交通行動の選択においては、それより後の場面のことを意識して選択を行う」ということを念頭におき、両方の定式化を行う。前者については、離散最適化の枠組みでのアクティビティモデルとしてRecker(1995)を示し、様々な制約条件のもとで、一日のトリップチェインとして最適なものを求めるための定式化を行っている。また後者については、Bellman(1953)の動的離散選択モデルを示し、定式化を行っている。さらに、推定における計算手法についてNFXP法などいくつかを示し、それらを比較している。 (PDF Document)


ネットワーク上の行動モデルとUrban Science:理論と観測


円山琢也(熊本大)
配分理論と組み合わせ最適

組み合わせ最適化は交通の分野でも広く応用されており,その一例として二段階最適化問題で記述された混雑課金の政策評価が紹介された.評価対象となる利用者の行動のモデル化が重要であるため,それらの利用者行動を集計した配分に焦点を当てるが,既存のモデルでは容易に解くことができない.そこで,配分問題を等価な数理最適化問題に置き換えた手法が近年多く提案されている.距離依存・走行時間単位コードン課金の最適化の例では,ログサム変数の導入によりロジット・エントロピー双対関係へ展開する手法を通してコードン領域の最適設定と課金関数の最適化の同時計算が行えることが示された. (PDF Document)


福田大輔(東工大)
行動モデルの最新理論の動向「行動モデルと双対概念」

数理最適化の分野で用いられてきた双対性の概念を行動モデルへ導入した研究として,ランダム効用モデルを拡張した一般化エントロピーモデルが紹介された. 双対性は,双対問題の最適解が主問題の最適解に一致する特徴を持ち,主問題が解きづらい場合に有効な概念である.それを用いて直接効用関数について効用最大化を行うことでロジットモデルがエントロピーモデルと同型の問題から導出でき,その拡張として,ランダム効用理論の下でログサムの式で定義される期待最大効用(間接効用関数)は,シャノンエントロピーで定義した直接効用関数を効用最大化したときの最適解と一致する.ここから得られる一般化エントロピーモデルは,情報量という観点から情報獲得の影響を考慮した不確実性下での離散選択モデルの基礎として合理的無反応モデルへと拡張できる. (PDF Document)


特別講義


浅見泰司(東京大)
Urban Scienceに向けた大規模データ都市解析

人口減少時代を背景に,国内の都市計画分野において既存都市制度からの転換が課題となる中で,ビッグデータを用いて即時的な計画実行及びその評価改善の試みや,スマートシティの取り組みが行われている.特にスマートシティに関しては,混雑回避システムや運転支援システムなど社会全体の最適化を目指す技術開発が行われている.行動モデルを用いた分析と政策提言については,住宅内で行われていたことが機械化されたり外部化されたりしてきたように,都市生活の変化と進展が交通行動を変えていく可能性を是非考慮してほしい. (PDF Document)


Urban science and behavioral informatics with AI/machine learning


Makoto Chikaraishi (Hiroshima Univerisity)
Application of AI for travel behavior modelling in urban networks

The condition for being a good behavior model is high predictability and high interpretability. Also, there are two general features of machine learning(ML). Firstly, ML is very high predictability for short-run forecasting. Secondly, The result of ML has little theoretical foundations. Even it is difficult to identify the factors affecting the outcome when using deep learning techniques. In this lecture, we review some recent studies which attempt to solve the shortcomings of ML methods in the context of modeling discrete choice behavior. There is a high possibility of utilizing machine learning techniques to improve behavioral models, while satisfying basic requirements such as having solid microeconomic foundations. (PDF Document)


Muhamad Awais Shafique (University of Central Punjab)
Behavioral machine leaning with multiple sensor data

Machine learning(ML) is invading civil engineering and applications are endless. There are many types of learning algorithms. For example, supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. When we use ML, we use data collection methods, feature engineering, and classification algorithms.As a development of ML, data collection methods are also developing. Feature engineering is the process of using domain knowledge of the data to create features that make machine learning algorithms work. In ML, we need two types of data, training data, and testing data. Training data is a part of data used to train algorithm, and testing data is a part of data used to test an already trained algorithm. Then, we use classification algorithms, for example, Support Vector Machines (SVM), Decision Tree (DT), and Random Forest (RF). (PDF Document)


Junji URATA (Univerisity of Tokyo)
Optimization in behavioral modelling with HPC

The calculation time of lower problem which includes dynamic traffic assignment and activity simulator should be less because the optimization process in a large-size network has to evaluate many cases. In lower problem, obtaining dynamic OD demand pattern should be fit dynamic travel time. The collaboration with dynamic traffic flow simulator and dynamic demand simulator is needed. In Optimization in behavioral modeling, we need to use HPC(High-Performance Computer), which is the most straightforward approach to fast calculation. A suitable algorithm for HPC technique is needed for getting highly scalable results. Moreover, we need to carefully consider how to divide the calculation task so as to minimize the need of data exchange between CPUs. Besides, the OD demand study proposes an approach for obtaining a set of sampled possible OD demand patterns that include variation. (PDF Document)



研究奨励賞受賞者 Invited Lectures


About BinN student research award 2018 (Selection Reason)

Hajime Watanabe (Kumamoto Univ.)
Time allocation of leisure activities of workers on holidays considering effect of weekday activities: comparison of urban and rural areas

MDCEV model was developed to show how much time-use on weekdays has an effect on that on holidays. The data in Yokohama city and Matsuyama city was used and showed the difference of time-use between urban and rural area. Applied panel-MDCEV model, the number of statistically significant variables decreases. Weekday time-use variables significantly influence holiday time-use behavior in Yokohama, but not in Matsuyama. The dominant factors affecting activity time-use behavior on holidays are different in the two cities. (PDF Document)


Riki Kawase (Kobe Univ.)


-

演習 Group work


課題:プローブパーソンデータを用いた行動モデル推定
プローブパーソンデータ(ロケーションデータ,ウェブダイアリー)・土地利用データ・交通ネットワークデータを用いて,離散選択モデルをはじめとした行動モデルの構築と推定を,4~6人での班ごとに行い,成果を発表しました.





team A (IITB)   pdf / code

Abstract:This time we tried to evaluate the impact of trip chaining on mode choices for Yokohama city. We used the Person Trip data for 2010 which gave information regarding trip chaining behavior of around 3 lakh individuals. We initiated our work with a series of OLS and MNL to identify the importance of trip chaining. Then, our work was further enriched by utilizing MNL, NL and MDCEV to arrive at the following results:1. Different modes were used in cases of higher number of trip chains. 2. In contrary, only single type of motorized modes (car/rail) were used for lower number of trip chains. 3. For combined use of modes, people prefer to use car and two wheeler for conducting higher number of trip chains.

Summary:Travel Behavior Modeling Workshop has been an informative approach towards enhancement of knowledge in the field of transportation. Team A would like to thank University of Tokyo and the organizing team for creating a wonderful platform for students where they can learn and showcase their skills in the field of transportation modelling. The summer school proved to be very impressive, and beneficial to all the students. It offered a series of English and Japanese lectures which proved helpful in building up our knowledge depth. PhD clinic seemed to be very interesting for the PhD students participating there. The keynote speaker came up with innovative research works and ideas. The major challenge for our team was to finalize the objective and arrive at the cleaned and sorted data for fulfilling the same. Working with 10 lakh trip data was also time consuming. However, we were immensely guided by the panel of professors who have a rich knowledge on travel behavior theories. All the teams performed extremely well through which we were exposed to various concepts and models. However, our team (A) managed to secure the third position in the prestigious summer school. We had a great learning experience in this event and wish to participate in upcoming years.




team B(東京工業大学)   pdf / code

発表概要:Analysis of Individual Behavior in Yokohama Using Activity-Scheduled Choice Model

感想:アクティビティベースモデルを構築する際にはNLを用いて,アクティビティパターン,目的知選択などを一括で推定しました.このため,設定したネストは10個,書いたプログラムコードは500行を越え,この作業は大変骨が折れるものとなりました.その結果として香住賞を頂き,大変嬉しかったです.時間がなく現況再現や政策シミュレーションまで至らなかったため,今後はこのモデルのさらなる改良について検討したいと思います.ご指導いただいた先生方,ありがとうございました.




team C(芝浦工業大学a)   pdf / code

発表概要:南海トラフ地震を念頭に置いた緊急時経路選択モデル

感想: == Coming soon ==




Dチーム(芝浦工業大学b)    pdf / code

発表概要:横浜における習慣的な買い物行動を誘発する施設の要因分析

感想:== Coming soon ==




Eチーム(東京理科大学)   pdf / code

発表概要:シャイニングマンデー導入時の横浜市における週末の活動時間選択

感想:私たちは今年話題になった「シャイニングマンデー」を題材に演習に取り組みました。月曜日の出勤時刻や通勤時間の長さが週末の活動時間に影響を与えるかどうかを検証しましたが、満足のいく結果は得られませんでした。しかしながら、先生方から頂いた貴重なアドバイスを基に、チームのメンバーと協力して試行錯誤した経験は今後につながると思います。今回の講義や他のチームの発表から学んだことを自身の研究に活かし、もし機会があればレベルアップして帰ってきたいです。ありがとうございました。




Fチーム(東京大学)    pdf / code

発表概要:退勤後の余暇行動に影響を及ぼす退勤時間と市街地構成に関する分析

感想:== Coming soon ==




Gチーム(Univ.Tokyo & UCP)   pdf / code

Abstract:We estimated the parameters of the beta-scaled recursive logit model using the PP data in Matsuyama city. We have got a convincing result and some significant parameters on the path choice mechanism of car users, although it required much computation power (11 hours to converge). In addition to the parameter estimation, we conducted a policy-simulation based on the result of the estimation. Concretely, we virtually prohibited the car traffic on some roads in the central Matsuyama and evaluated the change in traffic flow. We simulated 4 cases and got reasonable results in each case.

Summary:Summer school has provided an amazing ground for learning advanced statistical modeling to solve traffic planning and urban design problems. Almost all the lectures had extensive contents that were easily understandable and present the roadmap to apply different methodologies in a real-world problem. Some speakers had explained how the conventional methods can be replaced by machine learning approaches to deal with more complicated problems and enhance the accuracy of results. The most important part of the summer school was group work assigned to the students and young researchers. It was a great opportunity to learn how to do analysis using big data and how to infer future policies based on analysis results. Every group had analyzed data based on their own set of goals using different methodologies that gave the deep insight about versatility in thinking among young researchers which I believe the utmost benefit I got from the summer school.




Hチーム(東京海洋大学)   pdf / code

発表概要:MNLモデル、NLモデルを用いた横浜市現状把握

感想:私たちは、横浜市の自動車の利用を減らし公共交通機関を促進するモーダルシフトを図るため、MNL,NLを用いて横浜市の現状を把握し、具体的にどのような政策を打つことが効果的か調査しました。今回の演習を通して、まだモデルの理解、土木分野の素養が足りていないことを痛感しました。この度は今後の研究に向け、自分たちが何をすべきか見つめ直す良い機会になりました。




Iチーム(名古屋大学a)   pdf / code

発表概要:松山における高齢化に伴う公共交通機関の受容性に関する分析

感想:私たちのチームは松山市の将来的な高齢化に伴う自動車離れを想定し、公共交通機関の利用促進について分析を行いました。データの整理があまりできなかったことや、コード作成の知識不足によってあまり良い結果は得られませんでしたが、2日間先生方から様々な提案を頂き、とても勉強になりました。この経験を今後の学習に生かしていきたいと思っています。機会があればまた是非参加したいです。




Jチーム(名古屋大学b)    pdf / code

Title:Yokohama..Future Compact City

Summary:== Coming soon ==




team K(Nagoya Univ.c)   pdf / code

Title:Potential of On-demand Mobility and Real-time Trip Planning in Yokohama City

Summary:The summer school is a very precious experience for all of us. Not only the helpful and comprehensive lectures, but also the process of striving to build a model and receiving advice from professors. Our group used the PP data in Yokohama. We used MNL and NL model to analyze the effect of out-of-vehicle time on transportation mode choice. There were lots of difficulties than we thought, to clean the data, find error in the code, decide what to be used in the slide, and so on. We worked hard and finally complete the task. It is a pity that we didn’t control time very well and couldn’t hear more questions from the audience. After all, we got a deep understanding on behavior models. We appreciated having the chance to attend the summer school and really enjoyed it.




Lチーム(山梨大学)   pdf / code

発表概要:行動履歴データを用いた教師なし学習による個人属性の推定

感想:== Coming soon ==




Mチーム(神戸大学)    pdf / code

発表概要:TASHAを用いた時間帯別行動分析

感想:私たちは TASHAを用いたアクティビモデルを構築しました.構築にあたり,特に目的地選択 のモデルを作る部分で苦労をしました。結果としては,目的地選択モデルの結果を出すことができないという不本意な結果となってしまいましたが,様々な先生方からアドバイス をいただいたので,しっかりと完成させたいと考えております。様々な方の発表を聞き,刺激を受けると同時に大変勉強になりました。 アドバイスいただいた講師陣の皆様,発表された皆様に感謝申し上げます.




Nチーム(広島大学a)   pdf / code

発表概要:付加価値を考慮した交通手段選択のシミュレート

感想:テーマ選定を行う上で前期学部生が勉強してきた時間価値の概念を下敷きに決めました.自動運転導入後の社会の変化を見据えたうえで,どうなるのかといったイメージが難しかったため"自由行動ができる"という一点にのみ着目しました.結果としては多くの後悔が残る結果となりましたが,他のチームの発表や様々な先生方の講義を聞くことで成長することが出来たと感じています.最後に運営の皆様,講師陣の皆様ありがとうございました.




Oチーム(Hiroshima Univ.b)    pdf / code

Abstract:The objective of the study is to determine the travel behavior differences across generations and between gender in Yokohama City. We want to promote active transportation especially for short distance trips. The rationale for our goal is based on the happiness parameters from the World Happiness Report. By designing cities that are conducive for a healthy and active life, more citizens may be happy. Our study employed the MNL and NL models for segmented transportation mode choice analysis of commuting behavior.

Summary:The members of Team O are grateful for the opportunity to learn about behavior modelling from the best senseis in Japan. The short time we spent in Tokyo University stirred up our imagination and creativity. We’re lucky that we were able to get relatively good results for our model in such a short time. The coaching of our senseis were of great help. The entire summer course was a big source of inspiration to do well on our own research. Domo arigatou gozaimasu!




Pチーム(愛媛大学)   pdf / code

 

発表概要:健康増進を目的とした交通手段選択モデル

感想:今年は健康とカロリーに着目した行動モデル分析を行った。特に通勤時では通勤距離が離れるほど消費カロリーの少ない代表交通手段を使用していることが明らかとなった。そこで政策として代表交通手段が徒歩等に転換した場合、消費カロリー分の補助金を与えることを提案した。結果は費用便益が0を下回った。補助金の増額や不健康税などを試みたが結果は変わらず、すべての徒歩に補助金を出すべきではないことが明らかとなった。苦労したが結果として1位と尤度比賞を頂き、たいへん素晴らしい体験になった。




Qチーム(個人参加チーム)   pdf / code

 

発表概要:公共交通機関の端末移動における新モビリティサービスの需要推定

感想:





表彰 Award

行動モデル夏の学校には例年,数理的にモデリングをつめられていたグループには,故・上田孝行先生にちなんだ香住賞が,行動分析によって興味深いfact findingを実現したグループには,故・北村隆一先生にちなんだDavis賞が,モデルの精度指標の一つである尤度比が最も高かったグループには,尤度比賞が送られます.今年度の受賞チームは以下の通りです.

香住賞:Bチーム(東京工業大学),Mチーム(神戸大学)

Davis賞:Lチーム(山梨大学)

尤度比賞:Pチーム(愛媛大学)

 

1位:Pチーム(愛媛大学)

2位:Lチーム(山梨大学)、Gチーム(東京大学&University of Central Punjab)

4位:Aチーム(Indian Institute of Technology Bombay)、Bチーム(東京工業大学)、Mチーム(神戸大学)


©Copyright2018 Behavior in Networks Studies Unit (BinN)  http://bin.t.u-tokyo.ac.jp/