从稀疏数据学习周期性人类行为模型以助力发展中国家的众包援助配送
人工智能
2013-09-27 v1
摘要
在许多发展中国家，一半人口居住在乡村地区，获取学校物资、蚊帐和医疗用品等基本物资的途径受限。我们提出了一种替代标准道路运输的配送方法，该方法利用当地人口现有的移动习惯来运送援助物资，这在优化和学习领域提出了两大技术挑战。针对优化问题，应用于此问题的标准马尔可夫决策过程（MDP）难以处理，因此我们提供了一种利用人类位置行为周期性的精确公式。为了从稀疏数据（即基站观测数据）中学习此类行为模型，我们开发了一种人类移动性的贝叶斯模型。利用科特迪瓦 50,000 个人的真实基站移动行为数据，我们发现我们的模型在移动性预测方面优于最先进方法至少 25%（在保留数据似然度上）。此外，当将移动性预测与我们的 MDP 方法结合时，我们发现与仅最小化解路径中参与者数量的常规规划相比，总配送时间减少了 81.3%。
引用
@article{arxiv.1309.6846,
title = {Learning Periodic Human Behaviour Models from Sparse Data for Crowdsourcing Aid Delivery in Developing Countries},
author = {James McInerney and Alex Rogers and Nicholas R. Jennings},
journal= {arXiv preprint arXiv:1309.6846},
year = {2013}
}
备注
Appears in Proceedings of the Twenty-Ninth Conference on Uncertainty in Artificial Intelligence (UAI2013)