多任务循环神经网络同时推断 GPS 轨迹中的出行方式与目的
机器学习
2021-10-26 v1
摘要
多任务学习被看作一种强大的推断方法，特别是在多个任务之间存在显著相关性时，在统一框架中预测它们可能提升预测结果。本研究对这一假设提出挑战，通过开发若干单任务模型并将其结果和多任务学习器进行比较，以从作为基于智能手机出行调查一部分收集的智能手机出行调查数据中推断出行方式与目的。将 GPS 轨迹数据连同社会人口统计与目的地相关特征输入多输入神经网络框架以预测两个输出：方式与目的。我们部署了由序列 GPS 轨迹驱动的循环神经网络（RNN）。为处理社会人口统计与目的地相关特征，另一个具有不同嵌入层和稠密层的神经网络与 RNN 层并行用于多输入多输出框架中。结果相对于独立分类方式与目的的单任务学习器进行比较。我们还研究了不同的 RNN 方法，如长短期记忆（LSTM）、门控循环单元（GRU）和双向门控循环单元（Bi-GRU）。最佳多任务学习器是一个 Bi-GRU 模型，能够以 84.33% 和 78.28% 的 F1 值分类方式与目的，而推断出行方式的最佳单任务学习器是达到 86.50% F1 值的 GRU 模型，以及达到 77.38% F1 值的最佳单任务 Bi-GRU 目的检测模型。尽管存在多任务优于单任务学习器的假设，本研究结果并不支持该假设，并表明在基于 GPS 轨迹数据推断出行方式与出行目的的情境下，多任务学习方法相较单任务学习器并未带来任何显著优势。
引用
@article{arxiv.2110.12113,
title = {Multi-task Recurrent Neural Networks to Simultaneously Infer Mode and Purpose in GPS Trajectories},
author = {Ali Yazdizadeh and Arash Kalatian and Zachary Patterson and Bilal Farooq},
journal= {arXiv preprint arXiv:2110.12113},
year = {2021}
}