个体出行预测：一种可解释的基于活动的隐马尔可夫方法
机器学习
2021-01-12 v1 人工智能
机器学习
摘要
个体出行由具有多样化时空模式的活动需求所驱动，但现有的出行预测方法常常忽视潜在的活动模式。为解决此问题，本研究开发了一个用于个体出行预测的基于活动的建模框架。具体而言，提出一种输入-输出隐马尔可夫模型（IOHMM）框架，利用公交智能卡数据同时预测个体下一次出行的（连续）时间与（离散）地点。该预测任务可转化为预测隐藏活动时长与结束地点。基于香港地铁系统的案例研究，我们表明所提模型可达到与最先进的长短期记忆（LSTM）模型相似的预测性能。与LSTM不同，所提IOHMM模型还可用于分析隐藏活动模式，从而为个体为何进行某次出行提供有意义的行为解释。因此，基于活动的预测框架提供了一种在保持先进机器学习方法预测能力的同时增强我们生成深刻行为解释能力的方式，这有助于在以用户为中心的交通应用（如个性化出行者信息）中增强态势感知。
引用
@article{arxiv.2101.03996,
title = {Individual Mobility Prediction: An Interpretable Activity-based Hidden Markov Approach},
author = {Baichuan Mo and Zhan Zhao and Haris N. Koutsopoulos and Jinhua Zhao},
journal= {arXiv preprint arXiv:2101.03996},
year = {2021}
}