TRIPDECODER：基于智能卡数据研究地铁系统的行程时间属性与路径偏好
物理与社会
2020-05-05 v1 机器学习
机器学习
摘要
在本文中，我们旨在恢复通勤者在地铁系统内所走的、未被自动售检票（AFC）系统捕获因而未知的确切路径。我们策略性地提出了两个推理任务来处理恢复问题：一个任务是推断地铁网络中构成任何行程总时长的每个行程链路的行程时间，另一个任务是根据历史行程记录和前一推理任务中推断出的每个行程链路的行程时间来推断路径偏好。由于这两个推理任务存在相互关系，现有的大多数工作都同时执行这两个任务。然而，我们的解决方案 TripDecoder 采用了一种完全不同的方法。据我们所知，TripDecoder 是第一个指出并充分利用地铁系统中存在一些只有一条实际可行路径的行程这一事实的模型。它策略性地将这两个推理任务解耦，仅将那些只有一条可行路径的行程记录作为第一个行程时间推理任务的输入，并将推断出的行程时间作为额外输入馈送给第二个推理任务，这不仅提高了准确性，还有效降低了两个推理任务的复杂性。基于新加坡和台北 AFC 系统捕获的城市级真实行程记录，我们进行了两个案例研究，以比较 TripDecoder 及其竞争者的准确性和效率。正如预期，TripDecoder 在两个数据集上都取得了最高的准确性，并且还展示了其优越的效率和可扩展性。
引用
@article{arxiv.2005.01492,
title = {TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro Systems from Smart Card Data},
author = {Xiancai Tian and Baihua Zheng and Yazhe Wang and Hsiao-Ting Huang and Chih-Chieh Hung},
journal= {arXiv preprint arXiv:2005.01492},
year = {2020}
}