神经自动乘客计数器的工程设计

自20世纪70年代引入以来，公共交通中的自动乘客计数(APC)已通过多种机器学习和人工智能方法加以研究。虽然等价性检验正变得比差异检测（Student's t检验）更受欢迎，但前者更难通过以确保低用户风险。另一方面，人工智能的近期发展催生了承诺更高计数质量（更低偏差）的算法。然而，基于梯度的方法（包括深度学习）有一个局限：它们通常陷入局部最优。本工作中，我们探索并利用机器学习的各个方面以提升可靠性、性能与计数质量。我们采用网格搜索考察若干基本参数：训练集的选择与规模（类似于交叉验证）以及训练过程中的初始网络权重与随机性。通过该实验，我们展示了集成分位数等聚合技术如何降低偏差，并给出了结果总体散布的概念。我们利用测试成功机会——一种基于经验分布的模拟度量。我们还采用训练后蒙特卡洛量化方法，并引入累积求和将计数转为平稳方法并允许无界计数。