基于混合集成的出行方式预测
摘要
出行方式选择（TMC）预测可表述为分类任务，有助于理解公民为何为个人出行选择不同的交通方式。这也是迈向可持续交通的重要一步。由于行为可能随时间演变，我们还面临检测数据中概念漂移的问题。这需要使用适当的方法来处理潜在的概念漂移。特别是，需要决定是使用批量挖掘方法还是流挖掘方法来开发定期更新的TMC模型。为了应对TMC模型开发的挑战，我们提出了一种新颖的增量集成批量和流模型（IEBSM）方法，旨在使出行方式选择分类器适应数据中可能发生的概念漂移。它依赖于漂移检测器与批量学习和流挖掘模型的结合。我们将其与批量学习器和增量学习器（包括依赖主动漂移检测的方法）进行比较。使用代表城市和乡村级别的多种出行方式数据集进行的实验表明，IEBSM方法既能检测出行方式数据中的漂移，又能成功地将模型适应不断变化的出行方式选择数据。该方法的排名高于批量学习器和流学习器。
引用
@article{arxiv.2404.14017,
title = {Hybrid Ensemble-Based Travel Mode Prediction},
author = {Paweł Golik and Maciej Grzenda and Elżbieta Sienkiewicz},
journal= {arXiv preprint arXiv:2404.14017},
year = {2024}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this contribution is published in Advances in Intelligent Data Analysis XXII. IDA 2024. Lecture Notes in Computer Science, vol 14641. Springer, and is available online at Cham https://doi.org/10.1007/978-3-031-58547-0_16 The preprint includes 12+22 pages, 1+1 figures