一种用于理解特殊事件公共交通使用的贝叶斯加性模型
机器学习
2018-12-21 v1 机器学习
摘要
公共特殊事件，如体育赛事、音乐会和节庆，众所周知会对交通系统造成干扰，常令运营方措手不及。尽管这些事件通常提前充分规划，其影响却难以预测，即便组织方与交通运营方相互协调亦然。当多个事件并发时，问题急剧加剧。为解决这些问题，在诸如新加坡、伦敦或东京等大城市，依赖人工检索与个人经验的昂贵流程是惯常做法。本文提出一种带高斯过程组件的贝叶斯加性模型，将来自公共交通的智能卡记录与持续从网上挖掘得到的事件上下文信息相结合。我们开发了使用期望传播(expectation propagation)的高效近似推断算法，其可预测前往特殊事件区域的公共交通出行总量，从而有助于更具适应性的交通系统。此外，对于多事件并发情景，所提算法能够将总出行计数分解为其与特定事件及常规行为最相关的成分。利用新加坡真实数据，我们表明所呈模型在 R2 上优于最佳基线模型达 26%，且对其各成分具有解释力。
引用
@article{arxiv.1812.08755,
title = {A Bayesian Additive Model for Understanding Public Transport Usage in Special Events},
author = {Filipe Rodrigues and Stanislav S. Borysov and Bernardete Ribeiro and Francisco C. Pereira},
journal= {arXiv preprint arXiv:1812.08755},
year = {2018}
}
备注
14 pages, IEEE Transactions on Pattern Analysis and Machine Intelligence (Volume: 39 , Issue: 11 , Nov. 1 2017)