用于无静态路径到达时间估计的可解释堆叠集成模型
机器学习
2024-01-12 v2 机器学习
摘要
为了比较和计算替代的出租车调度方案，并向驾驶员和乘客提供即将发生行程的洞察，需要预测行程时长或其预计到达时间（ETA）。为了达到高预测精度，用于 ETA 的机器学习模型是当前最优的。进一步提高预测精度的一个尚未开发的选项是将多个 ETA 模型组合成集成。虽然预测精度很可能提升，但主要缺点是此类集成由于复杂的集成架构而变得较不透明。弥补此缺点的一个选项是应用可解释人工智能（XAI）。本文的贡献有三方面。首先，我们将先前工作中用于 ETA 的多个机器学习模型组合成一个两级集成模型——一个堆叠集成模型——其本身是新奇的；因此，我们能够超越先前最优的无静态路径 ETA 方法。其次，我们应用现有的 XAI 方法来解释集成的第一级和第二级模型。第三，我们提出了三种连接方法，用于将第一级解释与第二级解释结合。这些连接方法使我们能够解释用于回归任务的堆叠集成。实验评估表明，ETA 模型正确学习了驱动预测的那些输入特征的重要性。
引用
@article{arxiv.2203.09438,
title = {An Explainable Stacked Ensemble Model for Static Route-Free Estimation of Time of Arrival},
author = {Sören Schleibaum and Jörg P. Müller and Monika Sester},
journal= {arXiv preprint arXiv:2203.09438},
year = {2024}
}