数据驱动驾驶：底特律车队维护的建模与预测
计算机与社会
2017-10-19 v1
摘要
底特律市维持着一支超过 2500 辆车的活跃车队，每年平均花费超过 500 万美元购买新车，并花费超过 770 万美元维护该车队。理解这些数据中存在的模式和趋势可能对各类利益相关者有用，特别是在底特律走出第 9 章破产之际；然而，此类数据中的模式通常复杂且多变量，而该市缺乏专门资源对此数据进行详细分析。这项工作由密歇根数据科学团队（http://midas.umich.edu/mdst）与底特律市运营和基础设施小组合作开展，旨在通过分析 2010 年至 2017 年底特律市整个车队的数据来解决这一未满足的需求。我们利用张量分解技术来发现并可视化车辆维护中独特的时间模式；应用差分序列挖掘来证明按车辆品牌和型号存在的常见且具有统计独特性的维护序列；在展示数据集中的这些时间依赖性后，演示了预测性长短期记忆（LSTM）神经网络模型在预测维护序列中的应用。我们的分析既展示了市政车辆车队数据的复杂性，也展示了挖掘和建模此类数据的有用技术。
引用
@article{arxiv.1710.06839,
title = {Driving with Data: Modeling and Forecasting Vehicle Fleet Maintenance in Detroit},
author = {Josh Gardner and Danai Koutra and Jawad Mroueh and Victor Pang and Arya Farahi and Sam Krassenstein and Jared Webb},
journal= {arXiv preprint arXiv:1710.06839},
year = {2017}
}
备注
Presented at the Data For Good Exchange 2017