Valutazione di metodi basati sul Machine Learning nella Modellazione delle Scelte Discrete: Un Confronto tra Logit Multinomiale e Random Forest

Abstract

Questa tesi confronta l’accuratezza predittiva e l’interpretabilità dei modelli Multinomial Logit (MNL) e Random Forest (RF) nella scelta della modalità di trasporto urbano. Utilizzando una simulazione di trasporto calibrata con matrici origine–destinazione e di skimming, l’MNL viene stimato con Biogeme e la RF con Scikit-Learn utilizzando le stesse variabili. Le prestazioni predittive sono valutate tramite l’errore di quota di mercato, mentre gli insight comportamentali derivano dalle elasticità dell’MNL e dai partial dependence plot della RF. I risultati mostrano che la RF riduce l’errore aggregato di quota di circa il 15 % rispetto all’MNL, pur non offrendo misure di benessere trasparenti. Entrambi i modelli forniscono effetti direzionali coerenti nei scenari Reference, Construction e Full-Project, con la RF capace di cogliere soglie non lineari. Lo studio dimostra che combinare la precisione del machine learning con la chiarezza econometrica fornisce ai pianificatori uno strumento decisionale completo.

Parole chiave: scelta discreta, Multinomial Logit, Random Forest, simulazione di trasporto, accuratezza predittiva, elasticità.

This thesis compares the predictive accuracy and interpretability of Multinomial Logit (MNL) and Random Forest (RF) models for urban travel mode choice. Using a calibrated transport simulation with origin–destination and skim matrices, the MNL is estimated in Biogeme and the RF in Scikit-Learn under identical variables. Predictive performance is assessed by market‐share error, while behavioral insights come from MNL elasticities and RF partial dependence plots. Results show RF lowers aggregate share error by about 15 % versus MNL but lacks transparent welfare measures. Both models yield consistent directional effects across Reference, Construction, and Full-Project scenarios, with RF capturing non-linear thresholds. The study demonstrates that combining machine-learning precision with econometric clarity equips planners with a robust decision-support toolkit.

Keywords: Discrete choice, Multinomial Logit, Random Forest, transport simulation, predictive accuracy, elasticity.