融入不确定性量化的出行方式选择建模：贝叶斯神经网络方法与不确定性引导的主动调查框架
机器学习
2024-06-18 v1 人工智能
摘要
现有的深度学习方法用于出行方式选择建模未能向模型使用者提供其预测不确定性的信息。即便在面对训练数据分布之外的情景时，这些方法仍提供确定性答案，可能导致误导。为此，本研究引入解释性人工智能领域的不确定性概念到出行方式选择建模中。我们提出了基于贝叶斯神经网络的出行方式预测模型（BTMP），该模型量化出行方式预测的不确定性，使模型能够“知道”并“告诉”自己不知道的东西。有了 BTMP，我们进一步提出了不确定性引导的主动调查框架，该框架动态构建具有高预测不确定性的出行方式选择情景的调查问题。通过迭代收集这些动态定制化调查问题的响应，BTMP 被训练以更少的问题数目更快地实现所需的精度，从而降低调查成本。使用合成数据集的实验验证了 BTMP 在量化预测不确定性方面的有效性。此外，利用合成数据和真实数据进行的实验表明，采用不确定性引导的主动调查框架训练的 BTMP 模型，只需 20%~50% 的调查响应数，就能匹配在随机收集的调查数据上训练的模型的性能。总体而言，本文提出的 BTMP 模型和主动调查框架创造性地将不确定性量化融入出行方式选择建模，为模型使用者提供预测可靠性的关键见解，同时以更高效的成本优化深度学习模型训练的数据收集。
引用
@article{arxiv.2406.10948,
title = {Incorporating uncertainty quantification into travel mode choice modeling: a Bayesian neural network (BNN) approach and an uncertainty-guided active survey framework},
author = {Shuwen Zheng and Zhou Fang and Liang Zhao},
journal= {arXiv preprint arXiv:2406.10948},
year = {2024}
}