基于调查数据的多任务学习：日常通勤与通学往返行程
机器学习
2018-06-12 v1 机器学习
摘要
在本研究中，我们提出了一种机器学习方法，用于从静态普查数据中推断工人和学生的日常流动流。快速城市化使得估计人类流动流成为交通和城市规划者的一项关键任务。本文的主要目标是用工作和学习出行补全个人的普查数据，使其能够与其他流动数据合并，以更好地估计完整的起讫点矩阵。工人和学生的流动流是最具周规律性的位移之一，因此会导致道路拥堵问题。估计其往返行程有助于地方当局的决策过程。工人和学生普查数据通常包含居住地、工作场所和教育机构。因此，我们提出了一种神经网络模型，该模型从其他流动来源学习位移的时间分布，并尝试在新的普查数据上进行预测。与单任务学习相比，在我们的神经网络中引入多任务学习显著控制了错误率。
引用
@article{arxiv.1806.03903,
title = {Multi-task learning of daily work and study round-trips from survey data},
author = {Mehdi Katranji and Sami Kraiem and Laurent Moalic and Guilhem Sanmarty and Alexandre Caminada and Fouad Hadj Selem},
journal= {arXiv preprint arXiv:1806.03903},
year = {2018}
}