論文の概要: An Explainable Stacked Ensemble Model for Static Route-Free Estimation
of Time of Arrival
- arxiv url: http://arxiv.org/abs/2203.09438v2
- Date: Thu, 11 Jan 2024 14:29:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 04:27:02.139773
- Title: An Explainable Stacked Ensemble Model for Static Route-Free Estimation
of Time of Arrival
- Title(参考訳): 静的な経路自由時間推定のための説明可能な積み重ね組立モデル
- Authors: S\"oren Schleibaum and J\"org P. M\"uller and Monika Sester
- Abstract要約: ETAの以前の作業から得られた複数の機械学習モデルを、2段階のアンサンブルモデルに組み合わせます。
既存のXAI手法を用いて、アンサンブルの第1レベルと第2レベルのモデルを説明する。
実験により, ETAモデルは, 予測を駆動する入力特徴の重要性を正しく学習したことが示された。
- 参考スコア(独自算出の注目度): 0.552480439325792
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To compare alternative taxi schedules and to compute them, as well as to
provide insights into an upcoming taxi trip to drivers and passengers, the
duration of a trip or its Estimated Time of Arrival (ETA) is predicted. To
reach a high prediction precision, machine learning models for ETA are state of
the art. One yet unexploited option to further increase prediction precision is
to combine multiple ETA models into an ensemble. While an increase of
prediction precision is likely, the main drawback is that the predictions made
by such an ensemble become less transparent due to the sophisticated ensemble
architecture. One option to remedy this drawback is to apply eXplainable
Artificial Intelligence (XAI). The contribution of this paper is three-fold.
First, we combine multiple machine learning models from our previous work for
ETA into a two-level ensemble model - a stacked ensemble model - which on its
own is novel; therefore, we can outperform previous state-of-the-art static
route-free ETA approaches. Second, we apply existing XAI methods to explain the
first- and second-level models of the ensemble. Third, we propose three joining
methods for combining the first-level explanations with the second-level ones.
Those joining methods enable us to explain stacked ensembles for regression
tasks. An experimental evaluation shows that the ETA models correctly learned
the importance of those input features driving the prediction.
- Abstract(参考訳): 代替タクシーのスケジュールを比較し、それらを計算し、ドライバーや乗客への来るべきタクシー旅行についての洞察を提供するため、旅行の期間またはその推定時刻(ETA)が予測される。
予測精度を高めるために、ETAの機械学習モデルは最先端の技術である。
予測精度をさらに高めるための未発表の選択肢の1つは、複数のETAモデルをアンサンブルに組み合わせることである。
予測精度が向上する可能性は高いが、洗練されたアンサンブル構造により、アンサンブルによる予測が透明化しないことが主な欠点である。
この欠点を補う一つの選択肢は、eXplainable Artificial Intelligence (XAI)を適用することである。
本論文の貢献は3倍である。
まず、前回のetaの研究から得られた複数の機械学習モデルを、それ自体が新しい2段階のアンサンブルモデル(積み重ねられたアンサンブルモデル)に統合する。
第2に、既存のXAI手法を用いて、アンサンブルの第1レベルと第2レベルのモデルを説明する。
第3に,第1レベルの説明と第2レベルの説明を組み合わせるための3つの結合手法を提案する。
これらの結合手法により、回帰タスクの積み重ねアンサンブルを説明できます。
実験により, ETAモデルは, 予測を駆動する入力特徴の重要性を正しく学習した。
関連論文リスト
- A Practical Probabilistic Benchmark for AI Weather Models [0.8278356279004184]
我々は、GraphCastとPanguの2つの主要なAI天気モデルが確率論的CRPSメトリクスに結びついていることを示す。
また、多くのデータ駆動気象モデルが採用している複数の時間-ステップ損失関数が、非生産的であることも明らかにした。
論文 参考訳(メタデータ) (2024-01-27T05:53:16Z) - EAMDrift: An interpretable self retrain model for time series [0.0]
EAMDrift(EAMDrift)は、複数の個人予測器から予測を合成し、性能指標に従って予測を重み付けする新しい手法である。
EAMDriftはデータのアウト・オブ・ディストリビューションパターンに自動的に適応し、各瞬間に使用する最も適切なモデルを特定するように設計されている。
本研究は,EAMDriftが個々のベースラインモデルより20%優れ,非解釈可能なアンサンブルモデルに匹敵する精度が得られることを示す。
論文 参考訳(メタデータ) (2023-05-31T13:25:26Z) - Context-Aware Ensemble Learning for Time Series [11.716677452529114]
本稿では,ベースモデルの特徴ベクトルの結合である特徴のスーパーセットを用いて,ベースモデル予測を効果的に組み合わせたメタ学習手法を提案する。
我々のモデルは、ベースモデルの予測を機械学習アルゴリズムの入力として使用するのではなく、問題の状態に基づいて各時点における最良の組み合わせを選択する。
論文 参考訳(メタデータ) (2022-11-30T10:36:13Z) - Sliding Sequential CVAE with Time Variant Socially-aware Rethinking for
Trajectory Prediction [13.105275905781632]
歩行者の軌道予測は、ビデオ監視、社会ロボットナビゲーション、自動運転など、多くのアプリケーションにおいて重要な技術である。
本研究は,CVAEモジュールと社会的に認識された回帰モジュールからなるCSRと呼ばれる新しい軌道予測手法を提案する。
実験の結果,提案手法はスタンフォード・ドローン・データセットの最先端手法よりも改善されていることが示された。
論文 参考訳(メタデータ) (2021-10-28T10:56:21Z) - You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory
Prediction [52.442129609979794]
軌道予測のための最近の深層学習手法は有望な性能を示す。
そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。
本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
論文 参考訳(メタデータ) (2021-10-11T14:24:15Z) - Complex Event Forecasting with Prediction Suffix Trees: Extended
Technical Report [70.7321040534471]
複合イベント認識(CER)システムは、イベントのリアルタイムストリーム上のパターンを"即時"検出する能力によって、過去20年間に人気が高まっている。
このような現象が実際にCERエンジンによって検出される前に、パターンがいつ発生するかを予測する方法が不足している。
複雑なイベント予測の問題に対処しようとする形式的なフレームワークを提案する。
論文 参考訳(メタデータ) (2021-09-01T09:52:31Z) - When Liebig's Barrel Meets Facial Landmark Detection: A Practical Model [87.25037167380522]
正確で、堅牢で、効率的で、一般化可能で、エンドツーエンドのトレーニングが可能なモデルを提案する。
精度を向上させるために,2つの軽量モジュールを提案する。
DQInitは、インプットからデコーダのクエリを動的に初期化し、複数のデコーダ層を持つものと同じ精度でモデルを実現する。
QAMemは、共有するクエリではなく、それぞれのクエリに別々のメモリ値を割り当てることで、低解像度のフィーチャーマップ上のクエリの識別能力を高めるように設計されている。
論文 参考訳(メタデータ) (2021-05-27T13:51:42Z) - Three Steps to Multimodal Trajectory Prediction: Modality Clustering,
Classification and Synthesis [54.249502356251085]
我々は新しい予測フレームワークと共に新しい洞察を示す。
提案手法は、社会情報や地図情報を導入することなく、最先端の作品を超える。
論文 参考訳(メタデータ) (2021-03-14T06:21:03Z) - Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。
本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。
提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
論文 参考訳(メタデータ) (2021-03-08T16:03:09Z) - Believe The HiPe: Hierarchical Perturbation for Fast and Robust
Explanation of Black Box Models [16.96589831045415]
サリエンシーマッピングは容易に解釈できる視覚的帰属法である。
モデル予測を説明するための非常に高速で完全にモデルに依存しない手法である階層摂動を提案する。
標準のベンチマークとデータセットを使用して、サリエンシーマップが既存のブラックボックスメソッドで生成されたものよりも競争力のある品質または優れた品質であることを示します。
論文 参考訳(メタデータ) (2021-02-22T18:22:56Z) - Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。
本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。
歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
論文 参考訳(メタデータ) (2020-02-20T18:50:44Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。