一种用于在线出行目的地预测的统⼀框架
机器学习
2023-01-02 v2 人工智能
摘要
出行目的地预测在行程规划、自动驾驶和电动汽车等众多应用中是一个日益重要的领域。尽管该问题可以很自然地在数据以顺序方式到达的在线学习范式下解决，但大多数研究却考虑了离线设置。在本文中，我们提出了一种用于在线设置下出行目的地预测的统⼀框架，该框架适用于在线训练和在线预测。为此，我们开发了两种聚类算法，并将其集成到该问题的两个在线预测模型中。我们在一个真实世界数据集上研究了聚类算法和预测模型的不同配置。我们证明，与离线设置相比，聚类以及整个框架都产生了⼀致的结果。最后，我们提出了一种新颖的遗憾度量，用于将该整个在线框架与其离线对应物进行比较评估。该度量使得能够将错误预测的来源归因于聚类或预测模型。利用该度量，我们表明所提出的方法收敛到类似于真实潜在概率分布的分布，且遗憾低于所有基线方法。
引用
@article{arxiv.2101.04520,
title = {A Unified Framework for Online Trip Destination Prediction},
author = {Victor Eberstein and Jonas Sjöblom and Nikolce Murgovski and Morteza Haghir Chehreghani},
journal= {arXiv preprint arXiv:2101.04520},
year = {2023}
}
备注
This work is published by Springer, Machine Learning