行動モデル夏の学校＠東京大学 20-21.Sep.2007 行動モデル夏の学校 経路選択での課題発表 東京工業大学大学院 柳沼 秀樹 はじめに • 経路選択のデータを用いてやってみました ボリュームたっぷり8653データ！ やりたい放題！ • 大量データの特性を生かして分析 あまりやる機会がないので…チャンス！ 1 分析コンセプト 全データによる経路選択モデル（Logit) 変数 • 所要時間（÷60） • 右左折回数 全データ time turn 初期尤度 最終尤度 ρ2 修正ρ2 サンプル -0.047 -5.950 -0.069 -11.341 ※※ ※※ -9517.502 -9406.715 0.011 0.011 8653 たくさんのデータがあるから… セグメントに分けて推定し， 精度向上とパラメータの違いを見てみよう 2 分析概要 • 利用変数は先ほどの2つ • モデルは多項Logitを使用 ⇒純粋に比較検討したい…（本当に） 分析のフロー Step1 : データの基礎集計 Step2 : セグメントごとに推定 Step3 : 時間があれば面白いコトします 3 基礎集計 ① 2500 2000 男女のバランスが良い（と思う） 1500 1000 女, 3428 男, 5225 今までは男性データか企業データばっかり… 500 0 男女の違いをしっかりと 分析してみたい 年代 男女比 0 1000 2000 3000 383 パート・アルバイト（但し学生除く） 1175 主婦・主夫（職業従業者を除く） 学生 無職･無職 6000 592 自営業 時間制約の有無が経路 選択に影響しそう… 5000 5712 会社員・公務員 就業者がメイン 4000 89 702 職種 4 基礎集計 ② 0 通勤・通学と私事がメイン 500 1000 1500 2000 帰宅 の4つに集約 通院 送迎 2218 訪問 2000 1554 1500 1674 人数 1000 0 0 0 80 70 65 60 55 50 45 40 35 30 30 年代 0 年代 1000 207 79 140 645 729 256 74 0 25 20 不 明 337 75 388 0 812 中年層がメイン 728 130 89 目的 1264 500 617 買い物･街の散策 塾・習い事 2500 277 業務 娯楽・レクリエーション･ドライブ 3500 3087 帰社・帰校 食事 3000 1971 出勤・登校 出勤・登校，帰宅，業務，私事 2500 2000 3000 4000 5000 各年齢層で行動に違い が見れそう 6000 5 いきなり死亡フラグ データがGaussのワークスペースメモリを オーバー… そこで，規模縮小 • 男女別 • 目的＋男女別 計15パターンを用いてMNLのパラメータ推定 ※各パターンについて150サンプルをランダム サンプリング 6 パラメータ推定 ① 男女別のパラメータ推定結果 男女 time turn 初期尤度 最終尤度 ρ2 修正ρ2 的中率 -0.067 -0.087 0.336 0.071 -167.268 -164.714 0.015 0.003 0.360 男 ※※ -0.125 -0.158 -1.885 -3.140 女性 ※ ※※ -167.467 -156.088 0.068 0.056 0.466 0.010 -0.029 0.151 -0.730 -158.181 -157.904 0.002 0.010 0.406 女性の時間パラメータが正 ρ2は基本的に残念すぎる結果・・・ 7 パラメータ推定 ② 職種別＋男女別のパラメータ推定結果 出勤･登校 time turn 初期尤度 最終尤度 ρ2 修正ρ2 的中率 time turn 初期尤度 最終尤度 ρ2 修正ρ2 的中率 -0.102 -0.026 -2.089 -0.569 出勤･登校_男 ※※ -0.007 -0.053 -0.153 -1.574 出勤･登校_女 ※ -0.168 -0.032 -3.024 -1.046 -180.736 -178.281 0.014 0.002 0.420 -184.816 -183.382 0.008 0.003 0.400 -199.864 -193.524 0.032 0.022 0.473 帰宅 帰宅_男 帰宅_女 0.052 -0.172 0.619 -2.719 -157.563 -153.430 0.026 0.014 0.460 ※※ 0.037 -0.074 0.575 -1.463 -157.747 -157.642 0.007 0.005 0.433 -0.053 -0.133 -0.881 -2.916 ※※ ※※ -171.509 -165.740 0.034 0.022 0.444 8 パラメータ推定 ③ 職種別＋男女別のパラメータ推定結果 業務 time turn 初期尤度 最終尤度 ρ2 修正ρ2 的中率 time turn 初期尤度 最終尤度 ρ2 修正ρ2 的中率 0.032 -0.109 0.265 -1.433 業務_男 -0.066 -0.188 -0.754 -2.854 業務_女 ※※ 0.028 0.025 0.422 0.429 -143.972 -142.804 0.007 0.006 0.427 -152.493 -146.760 0.038 0.024 0.460 -153.197 -152.932 0.002 0.001 0.393 私事 私事_男 私事_女 0.107 -0.150 1.335 -1.899 -157.311 -154.777 0.015 0.002 0.457 -0.054 0.055 -0.876 1.134 -149.625 -148.870 0.005 0.008 0.413 -0.014 -0.055 -0.020 -0.919 -135.618 -134.828 0.006 0.009 0.567 9 パラメータ推定 ④ 職種別＋男女別のパラメータの分布 男女 男 女 出勤･登校 出勤･登校_男 出勤･登校_女 帰宅 帰宅_男 帰宅_女 業務 業務_男 業務_女 私事 私事_男 私事_女 time turn -0.067 -0.125 0.010 -0.102 -0.007 -0.168 0.052 0.037 -0.053 0.032 -0.066 0.028 0.107 -0.054 -0.014 -0.087 -0.158 -0.029 -0.026 -0.053 -0.032 -0.172 -0.074 -0.133 -0.109 -0.188 0.025 -0.150 0.055 -0.055 0.150 0.100 time turn 0.050 0.000 -0.050 -0.100 -0.150 -0.200 -0.250 うううううううううううう～ん ダメです。 10 まとめ • 基本的に精度向上は見られず・・・ • 全体的に統計的な脆弱性が目立つ • 政策変数として考えられるものが・・・ • 経路の情報（重複とか）があれば・・・ 力不足でした・・・ 来年に向けて修行します． 11 ご清聴ありがとうございました 12
© Copyright 2024 ExpyDoc
