AutoEn：一种基于预定义机器学习流水线集成的自动机器学习方法用于监督交通预测
机器学习
2023-03-21 v1
摘要
智能交通系统正在产生大量难以管理交通数据，这促使了机器学习（ML）在数据驱动应用（如交通预测（TF））中的使用。TF 因能通过预测未来交通状态来缓解交通拥堵而日益受到重视。然而，TF 对 ML 范式提出了一大挑战，即模型选择问题（MSP）：为不同交通环境下收集的交通数据决定最合适的数据预处理技术与 ML 方法组合。在此背景下，自动机器学习（AutoML）——从数据预处理到模型验证的 ML 工作流自动化——作为一种有前景的策略，可用于解决专家 ML 知识并非总是可用或负担得起的领域（如 TF）中的 MSP。多种 AutoML 框架已被用于应对 TF 中的 MSP。大多数基于在线优化过程在给定数据集上搜索性能最佳的流水线。这种在线优化可辅以元学习以热启动搜索阶段，和/或利用优化过程产生的流水线构建集成。然而，鉴于搜索空间的复杂性与所生成流水线调参-评估的高计算成本，仅当有较长时间获取最终模型时，在线优化才有益。因此，我们引入 AutoEn，一种从预定义 ML 流水线集自动生成多分类器集成的简单高效方法。我们将 AutoEn 与 TF 中常用的两种 AutoML 方法 Auto-WEKA 和 Auto-sklearn 进行比较。实验结果表明，AutoEn 在通用领域与 TF 中均能带来更优或更具竞争力的结果。
引用
@article{arxiv.2303.10732,
title = {AutoEn: An AutoML method based on ensembles of predefined Machine Learning pipelines for supervised Traffic Forecasting},
author = {Juan S. Angarita-Zapata and Antonio D. Masegosa and Isaac Triguero},
journal= {arXiv preprint arXiv:2303.10732},
year = {2023}
}