使用可解释提升机进行高效且可解释的交通目的地预测
机器学习
2024-02-13 v1 人工智能
摘要
开发准确的交通轨迹预测模型对于实现完全自动驾驶至关重要。各种深度神经网络模型已被用于应对这一挑战，但其黑箱特性阻碍了部署系统中的透明度和调试能力。玻璃盒模型通过诸如可解释提升机（EBM）等方法提供完全的可解释性，从而提供了一种解决方案。在本研究中，我们评估了一种高效的加性模型，称为可解释提升机（EBM），用于在三个流行的混合交通数据集上进行交通预测：SDD、InD和Argoverse。我们的结果表明，EBM模型在预测SDD和InD中的行人目的地方面表现出竞争力，同时为以车辆为主的Argoverse数据集提供了适度的预测。此外，我们透明的训练模型使我们能够分析特征重要性和交互作用，并提供预测解释的定性示例。完整的训练代码将在发表后公开。
引用
@article{arxiv.2402.03457,
title = {Efficient and Interpretable Traffic Destination Prediction using Explainable Boosting Machines},
author = {Yasin Yousif and Jörg Müller},
journal= {arXiv preprint arXiv:2402.03457},
year = {2024}
}