一种用于预测大型动态交通图的多层块网络模型：以美国航空运输为例
机器学习
2022-02-25 v4 机器学习
应用统计
统计方法学
摘要
多年来，人们通过基于静态图的指标来分析动态交通网络，以研究相关网络组成部分的时间演化，并揭示直接检查数据不易发现的复杂依赖关系。本文提出了一种最先进的概率隐网络模型，用于预测交通领域日益常见的多层动态图，并提出了一种基于社区的扩展以降低计算负担。通过对顶点间连边概率建模为隐高斯过程，获得了灵活的时间序列分析。这些模型和贝叶斯推断在来自美国航空运输系统内四家主要航空公司的10年数据样本上进行了说明。结果表明，模型估计的隐参数如何与航空公司的连通性动态相关联，以及它们将多层图投影到未来以进行样本外全网络预测的能力，而随机块建模则有助于识别相关社区。可靠的网路预测将使政策制定者更好地理解运输系统的动态，并有助于其在航线开发或新法规部署等方面的规划。
引用
@article{arxiv.1911.13136,
title = {A Multilayered Block Network Model to Forecast Large Dynamic Transportation Graphs: an Application to US Air Transport},
author = {Hector Rodriguez-Deniz and Mattias Villani and Augusto Voltes-Dorta},
journal= {arXiv preprint arXiv:1911.13136},
year = {2022}
}