Attitudes and Latent Class Choice Models using Machine Learning: An application in Car-Sharing

Abstract

[ES] Los modelos de elección de clases latentes (LCCM) son extensiones de los modelos generales de elección discreta (DCM) que suelen aplicarse para capturar la heterogeneidad no observada en el proceso de elección mediante la segmentación de la población en clases latentes. Tradicionalmente, las clases latentes se definen por las características socioeconómicas de los decisores. Sin embargo, la inclusión de indicadores psicométricos que midan el efecto de las actitudes no observadas puede ofrecer información adicional sobre el comportamiento, permitiendo una segmentación del mercado más realista. Proponemos y comparamos diferentes métodos de incorporación de indicadores actitudinales en la especificación de LCCM apoyándonos en diferentes técnicas de aprendizaje automático (ML) sin comprometer la interpretabilidad económica y conductual de los DCM. Aprovechando las técnicas de ML seleccionadas para la representación de variables latentes, a saber, Embeddings y Gaussian-Bernoulli Mixtures, nuestras extensiones de LCCM propuestas se benefician del poder predictivo basado en ML y capturan mejor las características conductuales no observadas. La aplicación de nuestro proyecto tiene como objetivo comprender mejor el comportamiento de las personas hacia los diferentes tipos de coche compartido. Al analizar la inclusión de las necesidades, preferencias y actitudes de los viajeros en los modelos, podemos ofrecer incentivos y políticas personalizadas para atraer y retener a los miembros de coches compartidos, al tiempo que ayudamos a su integración sostenible con el sistema de transporte existente.

[EN] Latent Class Choice Models (LCCM) are extensions of general discrete choice models (DCMs) typically implemented to capture unobserved heterogeneity in the choice process by segmenting the population into latent classes. Traditionally, the latent classes are defined by the socio-economic characteristics of the decision-makers. However, including psychometric indicators that measure the effect of unobserved attitudes can offer additional behavioral insights, allowing for more realistic market segmentation. We propose and compare different methods of incorporating attitudinal indicators in the specification of LCCM by re-lying on different machine learning techniques (ML) without compromising the economic and behavioral interpretability of the DCMs. By leveraging on selected ML techniques for latent variable representation, namely Embeddings and Gaussian-Bernoulli Mixtures, our proposed LCCM extensions benefit from the ML-based predictive power and better capture un-observed behavioral features. Our project application aims to understand better people's behavior towards different types of car sharing. By analyzing the inclusion of the travelers' needs, preferences, and attitudes into the models, we can provide personalized incentives and policies to attract and retain car-sharing members while aiding in its sustainable integration with the existing transportation system.