神经空间相互作用模型中的生成原-目的矩阵
机器学习
2025-05-12 v1 机器学习
摘要
基于智能体的模型(ABMs)正在跨越交通、经济和流行病学等政策领域，作为决策工具日益普及。在这些模型中，核心对象之一是离散的原-目的矩阵，用于捕捉位置之间的空间相互作用和智能体旅行计数。现有方法采用该矩阵的连续近似，并随后进行 ad-hoc 离散化，以进行ABM仿真和校准。这阻碍了对部分观察到的摘要统计量的条件化，无法探索离散组合支持上的多模态矩阵分布，并导致离散化误差。为解决这些挑战，我们引入一个计算效率高的框架，该框架与原-目的对数呈线性比例，直接作用于离散组合空间，并通过嵌入空间相互作用的神经微分方程学习智能体旅行强度。我们的做法在重建误差和ground truth矩阵覆盖率方面优于现有方法，计算成本更低。我们在英国剑桥和美国华盛顿特区等大规模空间 mobility ABM 中展示了这些优势。
引用
@article{arxiv.2410.07352,
title = {Generating Origin-Destination Matrices in Neural Spatial Interaction Models},
author = {Ioannis Zachos and Mark Girolami and Theodoros Damoulas},
journal= {arXiv preprint arXiv:2410.07352},
year = {2025}
}