探究神经网络与梯度提升模型在交通优化任务中近似微观交通仿真的性能
机器学习
2018-12-12 v3 机器学习
摘要
我们分析了基于神经网络和梯度提升模型（LightGBM）的交通仿真元模型的准确性，这些元模型作为遗传算法的适应度函数应用于交通优化。我们的元模型以不同的交通信号设置为输入，近似交通仿真的结果（红灯等待总时间），以高效寻找（次）最优设置。它们在随机选取的测试集上被证明具有非常好的准确性，但结果表明，在根据遗传算法预期接近局部最优的设置下，准确性可能下降，这使得交通优化过程更加困难。在这项工作中，我们研究了16种不同的元模型和20种遗传算法设置，以理解这一现象的原因、其规模、如何缓解以及潜在地如何设计更好的实时交通优化方法。
引用
@article{arxiv.1812.00401,
title = {Investigating performance of neural networks and gradient boosting models approximating microscopic traffic simulations in traffic optimization tasks},
author = {Paweł Gora and Maciej Brzeski and Marcin Możejko and Arkadiusz Klemenko and Adrian Kochański},
journal= {arXiv preprint arXiv:1812.00401},
year = {2018}
}
备注
Presented at NeurIPS 2018 Workshop "Machine Learning for Intelligent Transportation Systems" https://sites.google.com/site/nips2018mlits