基于校准不确定性集的增强路由规划
机器学习
2025-03-14 v1 机器学习
摘要
本文探讨了概率预测方法论在道路网络情境下的路由规划应用。具体而言，我们引入了基于 Conformalized Quantile Regression 的 Graph Autoencoder (CQR-GAE)，该方法利用保守预测技术提供覆盖保证，从而提高了预测的可靠性和鲁棒性。通过纳入 CQR-GAE 推导出的不确定性集，我们在稳健优化框架下大幅提升了路由规划中的决策过程。我们通过将 CQR-GAE 模型应用于真实世界的交通情景来展示其有效性。结果表明，我们的方法显著优于基线方法，为推动智能交通系统的发展指明了前景。
引用
@article{arxiv.2503.10088,
title = {Enhanced Route Planning with Calibrated Uncertainty Set},
author = {Lingxuan Tang and Rui Luo and Zhixin Zhou and Nicolo Colombo},
journal= {arXiv preprint arXiv:2503.10088},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2406.08281