A Bayesian latent class reinforcement learning framework to capture adaptive, feedback-driven travel behaviour
Dieses Paper schlägt ein Bayesianisches Latent-Class-Reinforcement-Learning-Framework vor, um heterogene, adaptive Reiseverhaltensweisen zu modellieren, wobei durch die Analyse von Fahrsimulatordaten drei distinkte Reisendenklassen mit einzigartiger Präferenzentwicklung und Explorations-Exploitations-Strategien identifiziert werden.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen herauszufinden, was der beste Weg zur Schule ist. Manchmal nehmen Sie jeden Tag die gleiche Route, weil sie schnell und zuverlässig ist. Aber manchmal probieren Sie eine neue Straße aus, nur um zu sehen, ob sie schneller ist, auch wenn sie einen vielleicht später ans Ziel bringt. Dies ist der Kern dessen, wie Menschen Entscheidungen treffen: Wir halten die Balance zwischen dem Festhalten an dem, was wir kennen (Exploitation/Ausnutzung), und dem Ausprobieren neuer Dinge, um mehr zu lernen (Exploration/Erkundung). Lange Zeit haben Wissenschaftler, die untersuchten, wie Menschen reisen, Modelle verwendet, die davon ausgehen, dass alle auf die gleiche Weise lernen oder dass unsere Vorlieben fest wie Stein sind. Aber im echten Leben sind Menschen chaotisch. Wir lernen unterschiedlich schnell, wir werden durch neue Informationen verwirrt und wir verhalten uns vielleicht völlig anders, wenn wir tatsächlich fahren, als wenn wir uns nur eine Fahrt vorstellen. Diese Arbeit taucht in diese chaotische Realität ein und nutzt eine Mischung aus Psychologie und Mathematik, um nicht nur zu verstehen, was Menschen wählen, sondern auch, wie sie im Laufe der Zeit lernen, diese Entscheidungen zu treffen.
Die Forscher hinter dieser Studie, angeführt von Georges Sfeir und Kollegen, beschlossen, eine neue Art von „Reise-Gehirn“-Modell namens „Latent Class Reinforcement Learning“ (LCRL) Framework zu entwickeln. Stellen Sie sich das wie eine Detektivgeschichte vor, in der die Detektive versuchen herauszufinden, warum verschiedene Fahrer so unterschiedlich handeln. Anstatt davon auszugehen, dass alle gleich sind, nutzten sie einen Fahrsimulator, um 83 Personen dabei zu beobachten, wie sie jeweils 20 Routenentscheidungen trafen. Die Hälfte der Zeit fuhren die Teilnehmer die Routen tatsächlich und erlebten das Vergehen der Zeit (erlebtes Feedback), die andere Hälfte klickten sie nur auf Knopfdruck auf einem Bildschirm mit hypothetischen Zeiten (bevorzugte Angaben/Stated Preference). Das Team speiste diese Daten dann in ihr ausgeklügeltes neues Modell ein, das wie eine Sortiermaschine fungiert. Es sagt nicht einfach nur: „Diese Person mag schnelle Routen“; es fragt stattdessen: „Ist dies ein langsamer Lerner, der an alten Gewohnheiten festhält? Ein Risikofreudiger, der alles ausprobiert? Oder jemand, der seine Meinung ändert, je nachdem, ob er tatsächlich fährt oder nur darüber nachdenkt?“
Das Modell fand heraus, dass die Gruppe der Autofahrer kein einziger Klumpen von Menschen war, sondern aus drei unterschiedlichen „Typen“ von Lernenden bestand, die jeweils eine eigene Persönlichkeit besaßen. Etwa 22 % der Menschen waren die „Kontext-Chamäleons“. Diese Leute verhielten sich auf eine bestimmte Weise, wenn sie sich eine Reise nur am Computerbildschirm vorstellten (sie bevorzugten die sichere, zuverlässige Route), aber sie änderten ihr Verhalten komplett, wenn sie tatsächlich hinter dem Steuer im Simulator saßen und plötzlich nach der riskanten, unvorhersehbaren Route lechzten. Sie lernten langsam und brauchten Zeit, um ihre Überzeugungen basierend auf neuen Erfahrungen zu aktualisieren.
Dann gab es die größte Gruppe, die fast die Hälfte der Teilnehmer ausmachte (49 %), die „Beständigen Exploiter“ (Persistent Exploiters). Diese Fahrer waren diejenigen, die die riskante, unzuverlässige Route liebten, egal was war. Ob sie nun fuhren oder nur Knöpfe drückten, sie wählten immer wieder den unsicheren Pfad, selbst wenn dieser manchmal länger dauerte. Sie waren die hartnäckigsten Ausnutzer, die an ihrer riskanten Wahl festhielten und etwas schneller auf Feedback reagierten als die langsamste Gruppe, obwohl sie sich immer noch erheblich auf vergangene Erfahrungen verließen.
Schließlich gab es die dritte Gruppe, etwa 29 % der Stichprobe, die „Adaptiven Wechsler“ (Adaptive Switchers). Diese Fahrer waren eher weiblich und hatten höhere Einkommen. Sie begannen damit, die sichere Route zu bevorzugen, wenn sie tatsächlich fuhren, aber wenn sie nur Fragen auf einem Bildschirm beantworteten, wurden sie plötzlich abenteuerlustiger und wählten die riskante Route. Sie zeigten die stärksten Explorationsneigungen und wechselten zwischen sicheren und riskanten Optionen hin und her. Obwohl sie die höchste Schätzung der Lernrate unter den drei Gruppen aufwiesen, war dies statistisch nicht signifikant, was darauf hindeutet, dass sie stabile Erwartungen beibehielten, die sich im Laufe der Zeit allmählich entwickelten, anstatt auf schnelle, volatile Veränderungen zu reagieren.
Die Arbeit legt nahe, dass wir Fehler machen könnten, wenn wir diese unterschiedlichen „Lern-Persönlichkeiten“ ignorieren, etwa wenn wir Verkehrssysteme entwerfen oder vorhersagen wollen, wie Menschen auf neue Straßen reagieren werden. Wenn man ein „Kontext-Chamäleon“ wie einen „Beständigen Exploiter“ behandelt, könnte der Verkehrshinweis völlig fehlschlagen. Die Forscher haben nicht einfach nur geraten, dass diese Gruppen existieren; sie nutzten eine ausgeklügelte mathematische Technik namens „Variational Bayes“, um zu beweisen, dass die Aufteilung der Menschen in diese drei Klassen die Daten viel besser erklärt, als die Annahme, dass alle auf die gleiche Weise lernen. Sie führten sogar Simulationen durch, um zu zeigen, wie jede Gruppe reagieren würde, wenn sie immer wieder denselben schlechten oder denselben guten Verkehr erleben würde, was bestätigte, dass ihre „Persönlichkeiten“ auch ihre Art zu lernen veränderten.
Kurz gesagt: Diese Arbeit argumentiert, dass wir, um das Reisen zu verstehen, nicht nur auf die Karte schauen dürfen, sondern in den Geist des Fahrers blicken müssen. Wir müssen wissen, ob jemand der Typ ist, der am Vertrauten festhält, der Typ, der das Neue jagt, oder der Typ, der seine Meinung je nach Situation ändert. Durch den Bau eines Modells, das diese Unterschiede erfasst, hoffen die Autoren, Städten und Planern helfen zu können, bessere Systeme zu entwerfen, die für alle Arten von Lernenden funktionieren und nicht nur für den Durchschnittsverbraucher.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.