TrafPS：一种基于 Shapley 的交通解释可视分析方法
机器学习
2025-03-28 v1 人机交互
摘要
深度学习（DL）的近期成就展现了其预测交通流的潜力。此类预测有助于了解交通状况并在交通控制中做出决策。然而，大多数最先进的 DL 模型被视为“黑盒”，对终端用户而言其底层机制几乎没有透明度。一些先前的工作试图“打开黑盒”并提高预测生成过程的可解释性。然而，处理大规模时空数据上的复杂模型并发现显著影响交通流的空间与时间模式仍然具有挑战性。为克服这些挑战，我们提出了 TrafPS，一种用于解释交通预测结果以支持交通管理和城市规划决策的可视分析方法。提出了 region SHAP 和 trajectory SHAP 指标，以在不同层面上量化流模式对城市交通的影响。基于领域专家的任务需求，我们采用交互式可视界面，对显著流模式进行多方面探索与分析。两个真实世界案例研究证明了 TrafPS 在识别关键路线和为城市规划提供决策支持方面的有效性。
引用
@article{arxiv.2403.04812,
title = {TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic},
author = {Zezheng Feng and Yifan Jiang and Hongjun Wang and Zipei Fan and Yuxin Ma and Shuang-Hua Yang and Huamin Qu and Xuan Song},
journal= {arXiv preprint arXiv:2403.04812},
year = {2025}
}