贝叶斯-符号集成：面向不确定性感知停车预测
机器学习
2026-03-31 v1 人工智能
摘要
准确的停车 availability 预测是智能交通系统的关键，但实际部署常面临数据稀疏、噪声和不可预测变化的挑战。解决这些挑战需要模型不仅准确，而且具备不确定性感知能力。本文提出一种松耦合的神经符号框架，将贝叶斯神经网络（BNNs）与符号推理集成，以增强不确定环境下的鲁棒性。BNNs量化预测不确定性，而通过决策树提取的符号知识运用概率逻辑编程编码，并在两种混合策略中加以利用：（1）当BNN置信度较低时用符号推理作为后备；（2）基于符号约束修正输出类别后重新应用BNN。我们在真实停车数据上评估了两种混合方法，在完整、稀疏和噪声条件下均表现出色。结果表明，两种混合方法均优于仅使用符号推理，而情境细化策略在所有预测窗口中均 consistently 超过长短期记忆网络（LSTM）和BNN基线。我们的发现凸显了模块化神经符号集成在真实世界、面向不确定性预测任务中的潜力。
引用
@article{arxiv.2603.27119,
title = {Bayesian-Symbolic Integration for Uncertainty-Aware Parking Prediction},
author = {Alireza Nezhadettehad and Arkady Zaslavsky and Abdur Rakib and Seng W. Loke},
journal= {arXiv preprint arXiv:2603.27119},
year = {2026}
}
备注
Accepted at IEEE ITSC 2025 (to appear)