Geographically Stratified Importance Sampling for the Calibration of Aggregated Destination Choice Models for Trip Distribution

Abstract

A key feature in estimating and applying destination choice models with aggregate alternatives is to sample a set of nonchosen traffic analysis zones (TAZs), plus the one a trip maker chose, to construct a destination choice set. Computational complexity is reduced because the choice set would be too large if all study area TAZs were included in the calibration. Commonly, two types of sampling strategies are applied to draw subsets of alternatives from the universal choice set. The first, and simplest, approach is to select randomly a subset of nonchosen alternatives with uniform selection probabilities and then add the chosen alternative if it is not otherwise included. The approach, however, is not an efficient sampling scheme because most alternatives for a given trip maker may have small choice probabilities. The second approach, stratified importance sampling, draws samples with unequal selection probabilities determined on the basis of preliminary estimates of choice probabilities for every alternative in the universal choice set. The stratified sampling method assigns different selection probabilities to alternatives in different strata. Simple random sampling is applied to draw alternatives in each stratum. However, it is unclear how to divide the study area so that destination TAZs may be sampled effectively. The process of and findings from implementing a stratified sampling strategy in selecting alternative TAZs for calibrating aggregate destination choice models in a geographic information system (GIS) environment are described. In this stratified sampling analysis, stratum regions varied by spatial location and employment size in the adjacent area were defined for each study area TAZ. The sampling strategy is more effective than simple random sampling in regard to maximum log likelihood and goodness-of-fit values.

Planning-Constrained Destination Choice in Activity-Based Model

“…This process, however, only defines the available set, which can still have many alternatives depending on the constraints. Therefore a separate choice set is derived from the alternative set through stratified importance sampling, in which a small stratified choice set is selected with N c elements from the overall available set (24). In this work the available choices are stratified according to the deflected travel time, which is defined as the travel time of the tour with the activity minus the travel time without the activity, that is, the extra travel time imposed by including the activity.…”

Análise de abordagens comportamentais para modelagem de escolha de destinos em viagens a trabalho.

“…Os modelos de escolha de destinos tratam de diversos motivos, em geral modelados principalmente para viagens a trabalho e lazer. As viagens por motivo trabalho são amplamente estudadas (BEKHOR;CHOW et al, 2005;KIM et al, 2009;LI et al, 2005;MISHRA et al, 2013;MOLLOY, 2016;SADHU;TIWARI, 2016;YANG et al, 2010) por serem cotidianas, em grande número e que têm impacto no tempo disponível para realização das atividades pelas pessoas.…”

“…Obteve-se valor negativo para o parâmetro da variável de impedância, o que sugere que a atração do destino é menor quanto maior a impedância. Li et al (2005) estimaram modelos de escolha de destinos por motivo trabalho com variáveis de tempo de viagem, renda, número de empregos divididos por categorias e presença de barreiras físicas. As análises incluíram faixas de renda e tipos de empregos, concluindo que os trabalhadores de média renda são mais propensos a viajar para áreas comerciais, industriais e para onde há empregos oficiais.…”

“…Segundo Li et al (2005), uma possibilidade de viabilizar a aplicação de modelos de escolha de destino é amostrar um conjunto de zonas de análise de tráfego não escolhidas e aquela que o indivíduo escolheu, para construir um conjunto de escolha de destinos. Dessa forma, a complexidade computacional é reduzida.…”

“…A primeira abordagem pode ser julgada pouco eficiente porque todas as alternativas possuem a mesma probabilidade de escolha. Li et al (2005) afirmam que a segunda estratégia de amostragem é mais eficaz quanto aos valores de máxima verossimilhança resultantes do processo de estimativa dos parâmetros de modelos de escolha discreta. Segundo Costa Neto (2002) e Fávero e Belfiore (2017), a amostragem é probabilística se todos os elementos da população são obtidos de forma aleatória, ou seja, se tiverem probabilidade conhecida ou diferente de zero de pertencer à amostra, mas é não probabilística caso isso não ocorra, ou seja, a probabilidade de pertencer à amostra é desconhecida.…”