使用可解释注意力LSTM预测行程时间与距离
机器学习
2023-03-28 v1 人工智能
摘要
本文中，我们提出机器学习方案以预测未来行程的时间及车辆可能行驶的距离。针对该预测任务，我们开发并研究了四种方法。第一种方法使用专为同时处理行程时间与距离多维历史数据设计的长短期记忆（LSTM）结构。利用其，我们通过全连接层拼接 LSTM 网络输出，预测未来行程时间并预报车辆行驶距离。第二种方法使用基于注意力的 LSTM 网络（At-LSTM）执行相同任务。第三种方法并行利用两个 LSTM 网络，一个预报行程时间，另一个预测距离。各 LSTM 输出随后通过全连接层拼接。最后，最后一个模型基于两个并行 At-LSTM，类似地，各 At-LSTM 通过全连接层分别预测时间与距离。在所提方法中，最先进的并行 At-LSTM 以 3.99% 误差边际预测下次行程距离与时间，较第一种方法 LSTM 提升 23.89%。我们还提出 TimeSHAP 作为可解释性方法，以理解网络如何学习并建模信息序列。
引用
@article{arxiv.2303.15087,
title = {Prediction of Time and Distance of Trips Using Explainable Attention-based LSTMs},
author = {Ebrahim Balouji and Jonas Sjöblom and Nikolce Murgovski and Morteza Haghir Chehreghani},
journal= {arXiv preprint arXiv:2303.15087},
year = {2023}
}