基于随机激活神经网络的智能叫车平台司机疲劳预测
机器学习
2024-04-17 v1 多智能体系统
摘要
在叫车平台中，司机在整天接受乘车请求的过程中会出现认知衰退和疲劳，这对整个叫车平台的效率具有显著影响。与当前主要关注建模和学习司机在不同乘车请求中的偏好的文献不同，本文提出了一种新颖的动态折扣满足主义（Dynamic Discounted Satisficing, DDS）启发式方法，用于建模和预测给定班次期间司机的顺序乘车决策。基于DDS启发式，本文提出了一种新型具有随机激活的随机神经网络，用于建模DDS启发式并预测给定司机的最终决策。神经网络中随机激活的存在促使我们开发了一种新颖的训练算法，即基于抽样的通过时间反向传播（Sampling-Based Back Propagation Through Time, SBPTT），其中为通过随机抽样激活阈值分布获得的独立神经网络实例计算梯度，并聚合以更新网络参数。本文通过仿真实验以及真实的芝加哥出租车数据集，展示了所提出方法在与先进方法比较后的性能提升。
引用
@article{arxiv.2404.10684,
title = {Driver Fatigue Prediction using Randomly Activated Neural Networks for Smart Ridesharing Platforms},
author = {Sree Pooja Akula and Mukund Telukunta and Venkata Sriram Siddhardh Nadendla},
journal= {arXiv preprint arXiv:2404.10684},
year = {2024}
}