通过知识蒸馏引入上下文因素以改进路径选择模型
机器学习
2019-03-28 v1 人工智能
机器学习
摘要
路径选择模型预测行经城市区域的出行者的路径选择。大多数路径选择模型将备选路径的路径特征与驾驶者所选路径联系起来。这些模型在预测不同路径上的交通水平方面发挥重要作用,从而有助于制定高效交通管理策略,以最小化交通延误并最大化运输系统的有效利用。需要高保真路径选择模型以更高精度预测交通水平。现有路径选择模型未考虑动态上下文条件,如事故发生、驾驶者的社会文化与经济背景、其他人类行为、动态个人风险水平等。因此,它们只能在聚合层面及固定的一组上下文因素下做出预测。为获得更高保真度,非常需要使用能捕捉主观或上下文因素在路径选择中重要性的模型。本文提出一种新方法,通过利用知识蒸馏,将现有聚合层面基线模型与从沉浸式虚拟环境中开展的陈述选择实验所获得的驾驶者对上下文因素响应信息相结合,从而开发具有更高预测能力的保真路径选择模型。
引用
@article{arxiv.1903.11253,
title = {Improving Route Choice Models by Incorporating Contextual Factors via Knowledge Distillation},
author = {Qun Liu and Supratik Mukhopadhyay and Yimin Zhu and Ravindra Gudishala and Sanaz Saeidi and Alimire Nabijiang},
journal= {arXiv preprint arXiv:1903.11253},
year = {2019}
}
备注
Paper was accepted at the 2019 International Joint Conference on Neural Networks (IJCNN 2019)