利用深度门控循环单元推断复杂网络中智能体转移的起讫分布
物理与社会
2022-07-28 v1
摘要
预测智能体转移的起讫 (OD) 概率分布是管理复杂系统的一个重要问题。然而，相关统计估计器的预测精度受欠定问题影响。尽管已有特定技术被提出以克服这一不足，仍缺乏一种通用方法。在此，我们提出一个带门控循环单元的深度神经网络框架 (DNNGRU) 来弥补这一空白。我们的 DNNGRU 是\emph{网络无关}的，因为它通过监督学习利用智能体经过边的时序体积数据训练。我们用它研究网络拓扑如何影响 OD 预测精度，观察到性能提升依赖于不同 OD 所经路径之间的重叠程度。通过与给出精确结果的方法比较，我们展示了 DNNGRU 的近最优性能，并在多种数据生成场景下发现其持续优于现有方法和替代神经网络架构。
引用
@article{arxiv.2207.13375,
title = {Inferring origin-destination distribution of agent transfer in a complex network using deep gated recurrent units},
author = {Vee-Liem Saw and Luca Vismara and Suryadi and Bo Yang and Mikael Johansson and Lock Yue Chew},
journal= {arXiv preprint arXiv:2207.13375},
year = {2022}
}
备注
Main text, with supplemental material