We present an integrated activity-based discrete choice model system of an individual’s activity and travel schedule, for forecasting urban passenger travel demand. A prototype demonstrates the system concept using a 1991 Boston travel survey and transportation system level of service data. The model system represents a person’s choice of activities and associated travel as an activity pattern overarching a set of tours. A tour is defined as the travel from home to one or more activity locations and back home again. The activity pattern consists of important decisions that provide overall structure for the day’s activities and travel. In the prototype the activity pattern includes (a) the primary – most important – activity of the day, with one alternative being to remain at home for all the day’s activities; (b) the type of tour for the primary activity, including the number, purpose and sequence of activity stops; and (c) the number and purpose of secondary – additional – tours. Tour models include the choice of time of day, destination and mode of travel, and are conditioned by the choice of activity pattern. The choice of activity pattern is influenced by the expected maximum utility derived from the available tour alternatives.

We discuss the development of predictive choice models that go beyond the random utility model in its narrowest formulation. Such approaches incorporate several elements of cognitive process that have been identified as important to the choice process, including strong dependence on history and context, perception formation, and latent constraints. A flexible and practical hybrid choice model is presented that integrates many types of discrete choice modeling methods, draws on different types of data, and allows for flexible disturbances and explicit modeling of latent psychological explanatory variables, heterogeneity, and latent segmentation. Both progress and challenges related to the development of the hybrid choice model are presented.

Dynamic network models are needed to analyze traffic congestion patterns for new real-time motorist information systems. In previous research, a dynamic network modeling framework incorporating behavioral models of drivers' route and departure time choices and their day-to-day adjustment processes was developed. Network performance in this framework is represented by time dependent arrival and departure rates, link occupancies, and queuing delays. The purpose of this paper is to extend this framework to include explicit models of drivers' information acquisition and integration. The need for these models is motivated by considering the possible beneficial and counter-productive effects that may be caused by enhanced motorist information. Information on network conditions influences the set of routes considered by a driver and also affects the perceived values of the level of service attributes. The paper presents the structure of a dynamic model in which newly acquired information may affect pretrip and en-route travel decisions. To assess the potential magnitudes of the effects that were identified further theoretical and empirical research is needed.

Researchers have long been focused on enriching Random Utility Models (RUMs) for a variety of reasons, including to better understand behavior, to improve the accuracy of forecasts, and to test the validity of simpler model structures. While numerous useful enhancements exist, they tend to be discussed and applied independently from one another. This paper presents a practical, generalized model that integrates many enhancements that have been made to RUM. In the generalized model, RUM forms the core, and then extensions are added that relax simplifying assumptions and enrich the capabilities of the basic model. The extensions that are included are: Flexible Disturbances in order to allow for a rich covariance structure and enable estimation of unobserved heterogeneity through, for example, random parameters; Latent Variables in order to provide a richer explanation of behavior by explicitly representing the formation and effects of latent constructs such as attitudes and perceptions; Latent Classes in order to capture latent segmentation in terms of, for example, taste parameters, choice sets, and decision protocols; and Combining Revealed Preferences and Stated Preferences in order to draw on the advantages of the two types of data, thereby reducing bias and improving efficiency of the parameter estimates. The paper presents a unified framework that encompasses all models, describes each enhancement, and shows relationships between models including how they can be integrated. These models often result in functional forms composed of complex multidimensional integrals. Therefore, an estimation method consisting of Simulated Maximum Likelihood Estimation with a kernel smooth simulator is reviewed, which provides for practical estimation. Finally, the practicality and usefulness of the generalized model and estimation technique is demonstrated by applying it to a case study.

We present an empirical model of households' choices among local telephone service options (for example, between flat-rate and measured service) and the interrelation of these choices with the number and average duration of local calls households make at each time of day to each geographical zone. Using a nested logit model with estimation performed on a randomly selected subset of the households' calling patterns, we calculate elasticities of demand for each local service option, number of calls, average duration, and revenues with respect to the fixed monthly charges and the usage charges for calling under each option. We find moderate price elasticities of number of calls with respect to usage charges for households subscribing to measured service. Nevertheless, raising usage charges has a negligible effect on revenues, since a sufficient number of households either originally subscribe to flat-rate service or convert to flat-rate service in response to higher usage charges. We find a high elasticity of demandfor each service option with respect to itsfixed monthlyfee. This indicates high substitutability among service options. The shift among service options induces new calling patterns, which wefind to be a small but not negligible indirect effect. E Most telephone operating companies offer residential customers several options for local service. There are two general categories of service: flat-rate service, under which a household can, for a fixed monthly charge, make an unlimited number of calls within a specified geographical area, and measured service, for which the household pays a lower fixed monthly fee but can make only a specified number (or dollar value) of calls at no extra charge, after which charges are incurred for additional calls. Various flat-rate services differ in the size of the geographical area in which calling is at no extra charge, with higher monthly fees for larger areas. Measured services differ with respect to the threshold number (or dollar value) of calls beyond which the customer is charged.

The paper extends discrete choice models by adding an explicit probabilistic representation of the various alternatives considered by the individual in a choice situation. The motivation is to incorporate into a single framework of choice set generation modeling the effects of stochastic constraints or elimination criteria and the influence of attitudes and perceptions on the choice set generation process. The basic idea is to estimate a choice set generation model by using information contained in responses to alternative availability questions. The estimation approach jointly incorporates the information on individual's perceived choice set and the revealed preference information corresponding to the observed choice. The proposed methodology is emprically tested with a travel demand dataset.

This paper proposes a methodology for modeling switching behavior using simultaneously cross-sectional revealed preference (RP) data and stated intentions, a type of stated preference (SP) data. With explicit consideration of biases and random errors potentially contained in SP data, combined estimation with RP and SP data can exploit the advantages of both data sources. An empirical analysis of commuters' mode choice shows that the stated intention data have predictive validity if their biases and errors are properly corrected.

This paper develops, implements and tests a framework for driving behavior modeling that integrates the various decisions, such as acceleration, lane changing and gap acceptance. Furthermore, the proposed framework is based on the concepts of short-term goal and short-term plan. Drivers are assumed to conceive and perform short-term plans in order to accomplish short-term goals. This behavioral framework supports a more realistic representation of the driving task, since it captures drivers’ planning capabilities and allows decisions to be based on anticipated future conditions. An integrated driving behavior model, which utilizes these concepts, is developed. The model captures both lane changing and acceleration behaviors. The driver’s short-term goal is defined by the target lane. Drivers who wish to change lanes but cannot change lanes immediately, select a short-term plan to perform the desired lane change. Short-term plans are defined by the various gaps in traffic in the target lane. Drivers adapt their acceleration behavior to facilitate the lane change using the target gap. Hence, inter-dependencies between lane changing and acceleration behaviors are captured.