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 vielfältige Aspekte des Verkehrverhaltens abgebildet. Modelliert wird die Entscheidung einer Person, die aus einem Satz von Alternativen diejenige die mit dem grössten Nutzen auswählt. Diskrete Entscheidungsmodelle bieten Planern und politischen Entscheidungsträgern die Möglichkeit, die Auswirkungen von Infrastrukturveränderungen und verkehrspolitischen Massnahmen für verschiedene Szenarien mit relativ geringem Aufwand zu bestimmen und zu vergleichen. Angesichts der Grössenordnung dieser Projekte und ihrer Bedeutung für die Gesellschaft, ist eine realistische Abbildung des Verkehrsverhaltens in den Modellen äusserst 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 tatsächlichen Verhaltens und der Auswahlalternativen durch den Einsatz von hochaufgelösten Daten und die Behandlung von Ähnlichkeiten zwischen den Alternativen. Hochaufgelöste Beobachtungen des Verkehrsverhaltens stammen aus GPS Studien, die zahlreiche Vorteile bieten. Verkehrsplaner profitieren von genaueren und zuverlässigeren Informationen über das Verkehrsverhalten während der Aufwand für die Befragten gering ist, sofern die GPS Aufzeichnungen nicht von zeitaufwändigen Befragungen begleitet werden. Andererseits birgt die grössere räumliche Auflösung auch neue Herausforderungen für die eigentliche Modellierung, besonders im Hinblick auf die Behandlung von Ähnlichkeiten zwischen den Alternativen. Entscheidungsmodelle, die auf hochaufgelösten Daten geschätzt werden, sind durch eine grosse Anzahl an Alternativen und komplexe Ähnlichkeitsstrukturen sich in den wesentlichen Merkmalen kaum von anderen Alternativen unterscheiden. Daher müssen moderne Entscheidungsmodelle grosse Alternativensätze verarbeiten können und gleichzeitig flexibel genug sein um vielfältige Ähnlichkeitsstrukturen abzubilden. In Rahmen dieser Dissertation wurden GPS Beobachtungen ausgewertet, die 32’000 Personen-Tage umfassen und von Personen wohnhaft in Zürich, Winterthur und Genf stammen. Das Ziel war, aus diesen Daten Routenwahlmodelle für PW-Fahrten zu schätzen, die in geeigneter Weise die Ähnlichkeiten zwischen den Routen berücksichtigen. Dazu wurden die GPS Punkte filtert und geglättet, zwischen Fahrten und Aktivitäten unterschieden, für die Fahrten die verwendeten Verkehrsmittel identifiziert und die gewählten Routen innerhalb eines hochaufgelösten Netzwerks bestimmt. Anschliessend wurden die Alternativensätze generiert. Die daraus geschätzten Routenwahlmodelle testeten verschiedene Korrekturfaktoren für die Behandlung der Ähnlichkeiten. Im Verlaufe aller Arbeitsschritte wurden interessante Erkenntnisse über die neuen Herausforderungen gewonnen, die die Verwendung von hochaufgelösten Daten mit sich bringt. Diese Erkenntnisse werden eine entscheidende Hilfe für andere Verkehrsplaner sein, die diese noch relativ neue Möglichkeit der Beobachtung des individuellen Verkehrsverhaltens nutzen möchten.