面向目的地预测任务的随时间元学习
机器学习
2022-06-30 v1
摘要
在交通领域，理解并预测车辆行为的需求支撑着公共与私人目标，包括城市规划与管理、网约车服务以及智能交通系统。个人的偏好与预期目的地在一天、一周和一年之中不断变化：例如，酒吧在傍晚最受欢迎，而海滩在夏季最受欢迎。尽管存在这一规律，我们注意到，近期基于葡萄牙波尔图一个流行基准数据集的研究发现，纳入时间信息至多仅在预测性能上带来微小提升。我们提出一种基于超网络（hypernetwork）的方法，这是元学习（"学会学习"）的一种变体，其中神经网络学习根据输入改变自身权重。在我们的方法中，负责目的地预测的权重随输入轨迹的元数据（尤其是时间）而变化。相对于消融实验与可比较的已有工作，这种时间条件化权重显著降低了模型误差，并且我们证实了我们的假设：时间知识应当改善对车辆预期目的地的预测。
引用
@article{arxiv.2206.14801,
title = {Meta-Learning over Time for Destination Prediction Tasks},
author = {Mark Tenzer and Zeeshan Rasheed and Khurram Shafique and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2206.14801},
year = {2022}
}
备注
10 pages, 8 figures. Submitted to SIGSPATIAL 2022