Earlier research has extensively examined freight mode and shipment weight dimensions. However, freight destination behavior at a high resolution has received scant attention. In our study, we attempt to address the limited research on destination decision processes and develop a latent segmentation-based approach that accommodates mode and destination choices in a unified framework. The proposed approach postulates that these two choices are actually sequential in nature with an infinitesimally small time gap between them. However, the actual sequence (mode-destination or destination-mode) is unknown to us. Thus, a probabilistic model that can accommodate for the two choice sequences within a single framework is proposed. The latent segmentation framework probabilistically assigns the decision maker to the two sequences. In the Mode first – Destination second (MD) sequence, the destination choice model is calibrated with choice alternatives customized to the chosen mode. In the Destination first – Mode second (DM) sequence, the destination model is calibrated without any mode information as mode is unknown to the decision maker. In the study, we used 2012 US Commodity Flow Survey (CFS) data. We found that the latent segmentation-based sequence model outperformed the independent sequence models (MD and DM). The validation exercise also confirmed the superiority of the proposed framework. Finally, an elasticity analysis is conducted to demonstrate the applicability of the proposed model system.

较早的研究已经广泛检查了货运方式和货运重量尺寸。但是，高分辨率的货运目的地行为很少受到关注。在我们的研究中，我们尝试解决对目的地决策过程的有限研究，并开发一种基于潜在细分的方法，在统一框架中适应模式和目的地选择。所提出的方法假定这两个选择实际上实际上是顺序的，并且它们之间的时间间隔无限小。但是，实际序列（模式目标或目标模式）对我们来说是未知的。因此，提出了一种可以在单个框架内适应两个选择序列的概率模型。潜在分割框架可能将决策者分配给这两个序列。在模式优先–目标第二（MD）序列中，将使用针对所选模式定制的选择替代品来校准目标选择模型。在目标优先–模式第二（DM）序列中，由于决策者未知模式，因此在没有任何模式信息的情况下校准目标模型。在这项研究中，我们使用了2012年美国商品流量调查（CFS）数据。我们发现基于潜在分割的序列模型优于独立的序列模型（MD和DM）。验证工作也证实了所提议框架的优越性。最后，进行了弹性分析，以证明所提出的模型系统的适用性。在目标优先–模式第二（DM）序列中，由于决策者未知模式，因此在没有任何模式信息的情况下校准目标模型。在这项研究中，我们使用了2012年美国商品流动调查（CFS）数据。我们发现基于潜在分割的序列模型优于独立的序列模型（MD和DM）。验证工作也证实了所提议框架的优越性。最后，进行了弹性分析，以证明所提出的模型系统的适用性。在目标优先–模式第二（DM）序列中，由于决策者未知模式，因此在没有任何模式信息的情况下校准目标模型。在这项研究中，我们使用了2012年美国商品流量调查（CFS）数据。我们发现基于潜在分割的序列模型优于独立的序列模型（MD和DM）。验证工作也证实了所提议框架的优越性。最后，进行了弹性分析，以证明所提出的模型系统的适用性。验证工作也证实了所提议框架的优越性。最后，进行了弹性分析，以证明所提出的模型系统的适用性。验证工作也证实了所提议框架的优越性。最后，进行了弹性分析，以证明所提出的模型系统的适用性。