面向乘客需求预测的无监督知识适配
机器学习
2022-06-10 v1 人工智能
摘要
考虑到运输系统的多模态特性及潜在的跨模态相关性，通过多模态数据学习来提升需求预测准确性的趋势日益增长。这些多模态预测模型可提升准确性，但当多模态数据集的不同部分分属不同且无法直接共享数据的机构时，其实用性下降。尽管各机构可能无法直接相互共享数据，但可共享由其数据训练的预测模型，此类模型无法用于识别其数据集中的确切信息。本研究提出一种无监督知识适配需求预测框架，利用基于另一模态数据预训练的模型来预测目标模态的需求，无需源模态的直接数据共享。所提框架利用多种运输模态间潜在的共享模式来改善预测表现，同时避免不同机构间的直接数据共享。具体而言，首先基于源模态数据学习一个预训练预测模型，以捕获并记忆源出行模式。随后，将目标数据集的需求数据编码为个体知识部分与共享知识部分，分别由个体提取网络与共享提取网络提取出行模式。通过使预训练网络与共享提取网络相类比，采用无监督知识适配策略形成用于进一步预测的共享特征。我们的研究结果表明，通过向目标模态共享预训练模型的无监督知识适配，可在不依赖直接数据共享的情况下改善预测表现。
引用
@article{arxiv.2206.04053,
title = {Unsupervised Knowledge Adaptation for Passenger Demand Forecasting},
author = {Can Li and Lei Bai and Wei Liu and Lina Yao and S Travis Waller},
journal= {arXiv preprint arXiv:2206.04053},
year = {2022}
}