麻省理工学院在新加坡的研究企业新加坡-麻省理工学院研究与技术联盟(SMART)的未来城市交通跨学科研究小组的研究人员创建了一个被称为基于理论的剩余神经网络(TB-ResNet)的合成框架，它将离散选择模型（DCM）和深度神经网络（DNN）（也被称为深度学习）相结合，以改善旅行行为研究中使用的个体决策分析。
他们的论文，["Theory-based residual neural networks: A synergy of discrete choice models and deep neural networks”]（www.sciencedirect.com/science/art… ,最近发表在Transportation Research: Part B，SMART的研究人员解释了他们开发的TB-ResNet框架，并证明了结合DCMs和DNNs方法的优势，证明了它们具有高度互补性。
机器学习在交通领域的应用越来越多，DCMs和DNNs这两个不相干的研究概念长期以来都被视为相互冲突的研究方法。
通过协同这两个重要的研究范式，TB-ResNet利用DCMs的简单性和DNNs的表达能力，可以为个人决策分析产生更丰富的发现和更准确的预测，这对改善旅行行为研究很重要。所开发的TB-ResNet框架比DCMs或DNNs更具预测性、可解释性和稳健性，其结果在广泛的数据集上是一致的。
对日常背景下的个人决策进行准确有效的分析，对于寻求优化交通网络和应对交通挑战的移动公司、政府和政策制定者来说至关重要，尤其是在城市中。TB-ResNet将消除DCMs和DNNs中面临的现有困难，并允许利益相关者对交通规划采取整体的、统一的观点。
麻省理工学院城市交通实验室的博士后和主要作者Shenhao Wang说："改进对旅行者如何就旅行方式、目的地、出发时间和活动规划做出决定的洞察力，对全世界政府和运输公司的城市交通规划至关重要。我期待着进一步发展TB-ResNet及其在交通规划方面的应用，因为它已经得到了交通研究界的认可。"
SMART FM首席研究员、麻省理工学院城市研究与规划系副教授赵金华说："我们的未来城市交通研究团队专注于开发新的范式，并在新加坡和其他地方创新未来城市交通系统。这个新的TB-ResNet框架是一个重要的里程碑，可以丰富我们对城市发展决策模式影响的调查。"
TB-ResNet也可以广泛应用于理解本研究中所说明的个人决策案例，无论是关于旅行、消费，还是投票。
在这项研究中，TB-ResNet框架在三种情况下进行了测试。首先，研究人员用它来预测交通、驾驶、自动驾驶汽车、步行和自行车之间的旅行模式决策，这些都是城市环境中的主要旅行模式。其次，他们评估了涉及不确定的货币回报时的风险选择和偏好。这种情况的例子包括保险、金融投资和投票决定。
最后，他们研究了时间上的选择，衡量当前和未来的金钱回报之间的权衡。一个典型的例子是在交通发展中，股东们如何分析具有大量首付和长期利益的基础设施投资来做出决定。
这项研究由SMART进行，并由新加坡国家研究基金会（NRF）在其卓越研究和技术企业园区（CREATE）计划下提供支持。
未来城市交通研究小组利用新的技术和制度创新来创建下一代城市交通系统，为新加坡和世界其他大都市的市民和企业提高可及性、公平性、安全性和环境绩效。FM得到了新加坡国家基金会CREATE计划的支持。
SMART由麻省理工学院与新加坡国家研究基金会合作，于2007年成立。SMART作为麻省理工学院和新加坡之间研究互动的知识和创新中心，在新加坡和麻省理工学院都感兴趣的领域开展尖端研究项目。SMART目前包括一个创新中心和五个跨学科的研究小组。抗菌性、用于制造个性化药物的关键分析、用于农业精准化的颠覆性和可持续技术、调频以及低能耗电子系统。
