The CPT is more general than the EU

The CPT is more general than the EU theory in explaining decisions under risk. Specifically it allows the probabilities to enter a utility function nonlinearly, and thus the risk attitudes are determined jointly by the value function and weighting function. This provides explanations to some famous “paradoxes” under the EU framework (see e.g. Kahneman and Tversky, 1979).
The CPT routing policy choice model is compared to a CPT non-adaptive path model and two EU models for routing policy and non-adaptive path choices respectively. Prediction results show that the CPT model predicts the twofold attitudes toward travel time losses: risk seeking under high probability and risk averse under low probability, which cannot be captured by the EU model. Under the CPT framework, the routing policy model captures the option value of diversion while the path model does not. The difference between the routing policy model and the path model is larger in terms of expected travel time, if the network is more unpredictable.
7. Future Directions
A number of issues have been raised in Gao et al. (2008) regarding the estimation of a routing policy choice model on data collected in a real network, including deriving link travel time distributions, collecting data on travelers’ information access, choice set generation and inertia in route choice. In the following, we focus on research directions regarding CPT in the route choice context.
In this paper we assume travelers know the probabilistic distributions of link travel times and thus our problem is “decision under risk”. There is another class of problems where the distributions are not completely known to the decision makers, and the problem is called “decision under uncertainty”. In the context of route choice, one could argue that it is more realistic to assume travelers do not have a full picture of the travel time distributions. Their knowledge might be incomplete or biased. For example, Henn and Ottomanelli (2006) use possibility theory as an alternative to probability theory to represent uncertainty in route choice. It is of interest to explore theories in choice under uncertainty and apply them to the routing policy choice model.
Weighting functions play an important role in CPT. There are a number of functional forms in the literature besides the one proposed by Tversky and Kahneman (1992). It is interesting to apply other functional forms and compare their performances. It is also hypothesized that the weighting function parameters vary across individuals, therefore it would be interesting to build models such that these variations can be identified. Note that although an inverted S-shape function is used in this paper for illustrative purpose, estimates from empirical data may or may not agree with such a shape. For example, the underweighting of small probabilities in feedback-based experiments (Barron and Erev, 2003) might suggest an S-shape weighting function.
As the prospect theory deals with gains and losses instead of absolute quantities, the choice of reference travel times is critical. However, the determination of reference point is still an open question (de Palma et al., 2008). Reference points are likely to be context-dependent in addition to being individual specific. For example, on a rainy day the reference point might be larger, since the travelers already expect higher travel times. One possible way to estimate reference point is to treat it as a discrete latent class variable. For example, we could assume there are three possible reference points in route choice: the free flow (minimum possible) travel time, the worst travel time (stuck in a snowstorm for five hours) and the mean travel time. The empirical data could then reveal the probabilities that a traveler will fall in one of the three classes, together with estimates of other parameters.
Finally, it may be interesting to postulate alternative types of models to CPT routing policy choice, using other decision rules such as lexicographic rules, regression trees and other non-EU maximization schemes than CPT. It could also be interesting to evaluate how the CPT routing policy choice model performs when travelers’ behavior (postulated model) follows EU maximization.

Acknowledgments
We would like to thank Andre´ de Palma, Matthieu de Lapparent and the two reviewers of this journal for their comments. We are also grateful to the five reviewers of the 18th International Symposium on Transportation and Traffic Theory (ISTTT18) who have helped to improve this paper.

Kết quả (Việt) 1:

CPT là tổng quát hơn hơn lý thuyết EU trong việc giải thích các quyết định theo nguy cơ. Cụ thể, nó cho phép các xác suất để nhập một chức năng tiện ích nonlinearly, và do đó thái độ rủi ro được xác định cùng nhau bằng các giá trị chức năng và chức năng nặng. Điều này cung cấp các giải thích để một số "nghịch lý nổi tiếng" theo khuôn khổ EU (xem ví dụ như Kahneman và Tversky, 1979).
Mô hình định tuyến CPT chính sách lựa chọn được so sánh với một mô hình không thích ứng đường dẫn CPT và hai EU mô hình để định tuyến chính sách và sự lựa chọn phòng không thích ứng đường dẫn tương ứng. Dự đoán kết quả cho thấy rằng các mô hình CPT dự báo gấp đôi Thái độ về hướng đi du lịch thời gian tổn thất: nguy cơ tìm kiếm theo xác suất cao và rủi ro không thích theo xác suất thấp, mà không thể bị chiếm giữ bởi các mô hình EU. Theo khuôn khổ CPT, các mô hình chính sách định tuyến bắt giá trị tùy chọn của chuyeån, trong khi mô hình đường dẫn không. Sự khác biệt giữa các mô hình chính sách định tuyến và các mô hình đường dẫn là lớn hơn về thời gian dự kiến, nếu mạng là không thể đoán trước thêm.
7. Hướng tương lai
một số vấn đề đã được nâng lên ở Gao et al. (2008) liên quan đến ước tính của một mô hình lựa chọn chính sách định tuyến trên dữ liệu thu thập trong một mạng thực sự, trong đó phát sinh liên kết du lịch thời gian phân phối, thu thập dữ liệu trên các truy cập thông tin du khách, sự lựa chọn đặt thế hệ và quán tính trong sự lựa chọn tuyến đường. Năm sau, chúng tôi tập trung vào các hướng nghiên cứu liên quan đến CPT trong bối cảnh sự lựa chọn tuyến đường.
Trong bài này chúng tôi cho du khách biết phân bố xác suất của liên kết du lịch thời gian và do đó vấn đề của chúng tôi là "quyết định theo rủi ro". Đó là một lớp học của các vấn đề mà các bản phân phối không hoàn toàn được biết đến để ra quyết định, và vấn đề được gọi là "quyết định theo sự không chắc chắn". Trong bối cảnh của sự lựa chọn tuyến đường, người ta có thể tranh luận rằng đó là thực tế hơn để thừa nhận khách du lịch không có một bức tranh đầy đủ của các bản phân phối thời gian du lịch. Kiến thức của họ có thể không đầy đủ hoặc thành kiến. Ví dụ, HN và Ottomanelli (2006) sử dụng lý thuyết khả năng như là một thay thế cho lý thuyết xác suất để đại diện cho sự không chắc chắn trong sự lựa chọn tuyến đường. Nó quan tâm để khám phá các lý thuyết trong sự lựa chọn theo sự không chắc chắn và áp dụng chúng cho các định tuyến chính sách lựa chọn mô hình.
nặng chức năng đóng một vai trò quan trọng trong CPT. một số các hình thức chức năng trong các tài liệu bên cạnh một trong những đề xuất bởi Tversky và Kahneman (1992). Nó là thú vị để áp dụng các hình thức khác của chức năng và so sánh các màn trình diễn của họ. Nó cũng đưa ra giả thuyết rằng các chức năng nặng tham số khác nhau trên khắp cá nhân, do đó nó sẽ là thú vị để xây dựng mô hình như vậy mà những biến thể này có thể được xác định. Lưu ý rằng mặc dù một chức năng đảo ngược hình dạng S được sử dụng trong bài báo này cho mục đích minh họa, ước tính từ dữ liệu thực nghiệm có thể hoặc có thể không đồng ý với một hình dạng. Ví dụ, underweighting nhỏ xác suất trong các thí nghiệm dựa trên thông tin phản hồi (Barron và Erev, 2003) có thể đề nghị một S-hình dạng nặng chức năng.
như lý thuyết khách hàng tiềm năng đề với lợi nhuận và mất mát thay vì số lượng tuyệt đối, sự lựa chọn của tài liệu tham khảo du lịch thời gian là rất quan trọng. Tuy nhiên, việc xác định điểm tham chiếu vẫn còn là một câu hỏi mở (de Palma et al., 2008). Điểm tham chiếu có thể được phụ thuộc vào ngữ cảnh ngoài ra để là cá nhân cụ thể. Ví dụ, trên một ngày mưa điểm tham chiếu có thể lớn hơn, kể từ khi du khách đã mong đợi cao du lịch thời gian. Một trong những cách có thể để ước tính điểm tham chiếu là coi nó là một biến rời rạc tiềm ẩn lớp. Ví dụ, chúng tôi có thể giả định không có ba điểm tham chiếu có thể trong sự lựa chọn tuyến đường: thời gian đi lại tự do (tối thiểu có thể), tồi tệ nhất đi du lịch thời gian (mắc kẹt trong một bao tuyết trong 5 giờ) và thời gian có nghĩa là đi. Các dữ liệu thực nghiệm sau đó có thể tiết lộ các xác suất rằng một khách du lịch sẽ rơi vào một trong ba lớp học, cùng với các ước tính của các tham số.
cuối cùng, nó có thể được thú vị để chủ trương thay thế các loại mô hình để lựa chọn chính sách CPT định tuyến, bằng cách sử dụng các quy định quyết định khác chẳng hạn như quy tắc lexicographic, hồi qui cây và đề án tối đa hóa-EU khác hơn CPT. nó cũng có thể được thú vị để đánh giá như thế nào mô hình định tuyến CPT chính sách sự lựa chọn thực hiện khi du khách hành vi (mô hình tiên đoán) sau EU tối đa hóa.

Acknowledgments
Chúng tôi muốn cảm ơn Andre´ de Palma, Matthieu de Lapparent và hai người đánh giá của tạp chí này cho ý kiến của họ. Chúng tôi cũng rất biết ơn đến các reviewers năm của hội nghị chuyên đề quốc tế 18 ngày giao thông vận tải và lưu lượng truy cập lý thuyết (ISTTT18) những người đã giúp cải thiện bài viết này.

Kết quả (Việt) 2:

CPT là tổng quát hơn lý thuyết của EU trong việc giải thích các quyết định dưới rủi ro. Cụ thể là nó cho phép xác suất để vào một chức năng tiện ích phi tuyến, và do đó thái độ rủi ro được xác định chung của các chức năng giá trị và chức năng trọng. Điều này cung cấp một số lời giải thích "nghịch lý" nổi tiếng trong khuôn khổ Liên minh châu Âu (xem ví dụ Kahneman và Tversky, 1979).
Chính sách lựa chọn mô hình định tuyến CPT được so sánh với một CPT mô hình con đường không thích nghi và hai mô hình của EU về chính sách định tuyến và không thích ứng lựa chọn con đường tương ứng. Dự đoán kết quả cho thấy các mô hình CPT dự đoán về thái độ đối với thiệt hại gấp đôi thời gian đi lại: nguy cơ tìm kiếm theo xác suất cao và sợ rủi ro theo xác suất thấp, mà không thể được bắt bởi các mô hình của EU. Trong khuôn khổ CPT, mô hình chính sách định tuyến bắt các giá trị tùy chọn chuyển hướng trong khi mô hình con đường không. Sự khác biệt giữa các mô hình chính sách định tuyến và các mô hình con đường lớn về thời gian du lịch dự kiến, nếu mạng là không thể đoán trước.
7. Định hướng tương lai
một số vấn đề đã được nêu ra trong Gao et al. (2008) liên quan đến việc ước lượng một mô hình lựa chọn chính sách định tuyến trên dữ liệu thu thập trong một mạng thực sự, bao gồm cả bắt nguồn phân phối thời gian liên kết du lịch, thu thập dữ liệu về tiếp cận thông tin du lịch, lựa chọn thiết lập hệ và quán tính trong việc lựa chọn tuyến đường. Trong phần tiếp theo, chúng tôi tập trung vào hướng nghiên cứu liên quan đến CPT trong bối cảnh sự lựa chọn tuyến đường.
Trong bài báo này chúng tôi giả định du khách biết sự phân bố xác suất lần liên kết du lịch và do đó vấn đề của chúng tôi là "quyết định theo rủi ro". Có một lớp học của các vấn đề mà các nhà phân phối không hoàn toàn được biết đến với các nhà sản xuất quyết định, và vấn đề được gọi là "quyết định không chắc chắn". Trong bối cảnh của sự lựa chọn tuyến đường, người ta có thể lập luận rằng đó là thực tế hơn để đảm du khách không có một hình ảnh đầy đủ của các bản phân phối thời gian đi lại. Kiến thức của họ có thể không đầy đủ hoặc sai lệch. Ví dụ, Henn và Ottomanelli (2006) sử dụng lý thuyết khả năng để thay thế cho lý thuyết xác suất để đại diện cho sự không chắc chắn trong việc lựa chọn tuyến đường. Nó là quan tâm để khám phá lý thuyết trong việc lựa chọn sự không chắc chắn và áp dụng chúng vào các mô hình lựa chọn chính sách định tuyến.
Trọng chức năng đóng một vai trò quan trọng trong CPT. Có một số hình thức chức năng trong các tài liệu bên cạnh từng người Tversky và Kahneman (1992) đề xuất. Thật thú vị khi áp dụng hình thức chức năng khác và so sánh màn trình diễn của họ. Nó cũng được đưa ra giả thuyết rằng các thông số chức năng trọng khác nhau giữa các cá nhân, do đó nó sẽ là thú vị để xây dựng mô hình như vậy mà các biến thể có thể được xác định. Lưu ý rằng mặc dù một chức năng hình chữ S ngược được sử dụng trong bài báo này cho mục đích minh họa, ước tính từ dữ liệu thực nghiệm có thể hoặc không có thể đồng ý với một hình dạng như vậy. Ví dụ, NĐT xác suất nhỏ trong các thí nghiệm dựa trên thông tin phản hồi (Barron và Erev, 2003) có thể đề nghị một chức năng hình chữ S trọng.
Khi giao dịch với khách hàng tiềm năng lý thuyết được và mất thay vì số lượng tuyệt đối, lựa chọn thời gian đi tham khảo là quan trọng. Tuy nhiên, việc xác định điểm tham chiếu vẫn còn là một câu hỏi mở (de Palma và cộng sự, 2008.). Điểm tham chiếu có thể sẽ phụ thuộc vào bối cảnh ngoài việc được cụ thể cá nhân. Ví dụ, trong một ngày mưa điểm tham chiếu có thể lớn hơn, kể từ khi du khách đã mong đợi thời gian di chuyển cao hơn. Một cách có thể để ước lượng điểm tham chiếu là để coi nó như là một biến lớp học tiềm ẩn rời rạc. Ví dụ, chúng ta có thể giả sử có ba điểm tham chiếu có thể có trong sự lựa chọn tuyến đường: lưu lượng miễn phí (tối thiểu có thể) đi du lịch thời gian, thời điểm tồi tệ đi (bị mắc kẹt trong một cơn bão tuyết năm tiếng đồng hồ) và thời gian đi lại trung bình. Dữ liệu thực nghiệm sau đó có thể tiết lộ các xác suất mà một khách du lịch sẽ rơi vào một trong ba lớp học, cùng với dự toán các thông số khác.
Cuối cùng, nó có thể là thú vị để định đề loại thay thế các mô hình để CPT định tuyến lựa chọn chính sách, sử dụng các nguyên tắc quyết định khác như quy tắc tự từ điển, cây hồi quy và các chương trình không thuộc EU khác hơn là tối đa hóa CPT. Nó cũng có thể là thú vị để đánh giá như thế nào CPT định tuyến mô hình lựa chọn chính sách thực hiện hành vi khi du lịch (mô hình mặc nhiên công nhận) sau tối đa hóa EU. Lời cảm ơn Chúng tôi xin cảm ơn Andre' de Palma, Matthieu de Lapparent và hai nhận xét ​​của tạp chí này cho họ ý kiến. Chúng tôi cũng rất biết ơn đến năm nhận xét ​​của Hội nghị quốc tế lần thứ 18 về vận tải và giao thông Lý thuyết (ISTTT18), người đã giúp cải thiện bài viết này.