論文の概要: Understanding transit ridership in an equity context through a
comparison of statistical and machine learning algorithms
- arxiv url: http://arxiv.org/abs/2211.16736v1
- Date: Wed, 30 Nov 2022 04:48:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 18:17:04.890206
- Title: Understanding transit ridership in an equity context through a
comparison of statistical and machine learning algorithms
- Title（参考訳）: 統計的アルゴリズムと機械学習アルゴリズムの比較による等価文脈における乗り継ぎの理解
- Authors: Elnaz Yousefzadeh Barri, Steven Farber, Hadi Jahanshahi, Eda Beyazit
- Abstract要約: より優れた旅行行動分析のためのビッグデータと機械学習(ML)アルゴリズムによる最近の実験は、主に社会的に不利なグループを見落としている。
カナダ・トロント大都市圏とハミルトン地区の交通投資に対する低所得者の旅行行動反応について検討する。
本研究は,低所得層に対するMLアルゴリズムによる旅行行動予測の強化の可能性を明らかにし,解釈可能性を大幅に損なうことなく検討した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building an accurate model of travel behaviour based on individuals'
characteristics and built environment attributes is of importance for
policy-making and transportation planning. Recent experiments with big data and
Machine Learning (ML) algorithms toward a better travel behaviour analysis have
mainly overlooked socially disadvantaged groups. Accordingly, in this study, we
explore the travel behaviour responses of low-income individuals to transit
investments in the Greater Toronto and Hamilton Area, Canada, using statistical
and ML models. We first investigate how the model choice affects the prediction
of transit use by the low-income group. This step includes comparing the
predictive performance of traditional and ML algorithms and then evaluating a
transit investment policy by contrasting the predicted activities and the
spatial distribution of transit trips generated by vulnerable households after
improving accessibility. We also empirically investigate the proposed transit
investment by each algorithm and compare it with the city of Brampton's future
transportation plan. While, unsurprisingly, the ML algorithms outperform
classical models, there are still doubts about using them due to
interpretability concerns. Hence, we adopt recent local and global
model-agnostic interpretation tools to interpret how the model arrives at its
predictions. Our findings reveal the great potential of ML algorithms for
enhanced travel behaviour predictions for low-income strata without
considerably sacrificing interpretability.
- Abstract（参考訳）: 個人の特徴と構築された環境特性に基づく正確な旅行行動モデルの構築は、政策作成と交通計画において重要である。
より優れた旅行行動分析のためのビッグデータと機械学習(ML)アルゴリズムによる最近の実験は、主に社会的に不利なグループを見落としている。
そこで本研究では,カナダ・トロント大都市圏とハミルトン地区における低所得者の旅行行動反応について,統計モデルとMLモデルを用いて検討した。
まず, モデル選択が低所得層による交通利用予測に与える影響について検討した。
このステップは、従来のアルゴリズムとmlアルゴリズムの予測性能を比較し、アクセシビリティ向上後の脆弱な家庭が生成する移動行動と空間分布を対比して、移動投資政策を評価することを含む。
また,各アルゴリズムが提案する交通投資を実証的に検討し,ブランプトンの将来の交通計画と比較した。
当然のことながら、MLアルゴリズムは古典的なモデルよりも優れているが、解釈可能性に関する懸念から、それを使用することには疑問がある。
したがって,最近の局所的およびグローバル的モデル非依存的解釈ツールを用いて,モデルが予測にどのように到達するかを解釈する。
本研究は,低所得層に対するMLアルゴリズムによる旅行行動予測の可能性を明らかにするものである。
関連論文リスト
- Strada-LLM: Graph LLM for traffic prediction [62.2015839597764]
交通予測における大きな課題は、非常に異なる交通条件によって引き起こされる多様なデータ分散を扱うことである。
近位交通情報を考慮した交通予測のためのグラフ対応LLMを提案する。
我々は、新しいデータ分散に直面する際に、ドメイン適応を効率的にするための軽量なアプローチを採用する。
論文 参考訳（メタデータ） (2024-10-28T09:19:29Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Large Language Models for Travel Behavior Prediction [8.069026355648049]
我々は,大規模言語モデルを用いて,データに基づくパラメータ学習を必要とせずに,迅速なエンジニアリングで旅行行動を予測することを提案する。
具体的には,1)タスク記述,2)旅行特性,3)個人属性,および4)ドメイン知識による思考のガイドなど,私たちのプロンプトを慎重に設計する。
その結果、トレーニングサンプルは提供されていないが、LLMに基づく予測は競争精度が高く、F1スコアは標準教師あり学習法であることがわかった。
論文 参考訳（メタデータ） (2023-11-30T04:35:55Z) - Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。
我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。
我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
論文 参考訳（メタデータ） (2023-09-18T19:49:22Z) - Exploring Deep Learning Approaches to Predict Person and Vehicle Trips:
An Analysis of NHTS Data [0.0]
本研究では、旅行予測へのアプローチ方法を変えるためのディープラーニング技術の可能性を探求する。
我々は、人や車の旅行を予測するためのディープラーニングモデルを開発し、訓練した。
人的旅行予測では98%,自動車旅行推定では96%の精度が得られた。
論文 参考訳（メタデータ） (2023-08-10T16:06:10Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-04-17T10:59:57Z) - Travel Demand Forecasting: A Fair AI Approach [0.9383397937755517]
本研究では,公正で高精度な旅行需要予測モデルを開発するための新しい手法を提案する。
具体的には、予測精度と保護属性の相関を明示的に測定する、新しい公正規則化項を導入する。
その結果,提案手法は,予測精度を維持しつつ,複数の保護属性の公平性を効果的に向上させることができることがわかった。
論文 参考訳（メタデータ） (2023-03-03T03:16:54Z) - Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。
近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。
本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T17:58:12Z) - Equality of opportunity in travel behavior prediction with deep neural
networks and discrete choice models [3.4806267677524896]
本研究では,旅行行動分析に重要な欠落次元である計算公正性を導入する。
まず、機会の平等によって計算公正性を運用し、次に、データ固有のバイアスと、モデリングによって導入されたバイアスを区別する。
論文 参考訳（メタデータ） (2021-09-25T19:02:23Z) - A Supervised Machine Learning Model For Imputing Missing Boarding Stops
In Smart Card Data [0.0]
そこで本研究では,通常の分類に基づいて,搭乗停止を指示する教師あり機械学習手法を開発した。
その結果は、イスラエルのBeer Sheva市で行われたケーススタディに基づいており、1ヶ月のスマートカードデータで構成されている。
論文 参考訳（メタデータ） (2020-03-10T12:07:39Z) - Value-driven Hindsight Modelling [68.658900923595]
値推定は強化学習(RL)パラダイムの重要な構成要素である。
モデル学習は、観測系列に存在する豊富な遷移構造を利用することができるが、このアプローチは通常、報酬関数に敏感ではない。
この2つの極点の間に位置するRLにおける表現学習のアプローチを開発する。
これにより、タスクに直接関連し、値関数の学習を加速できる、抽出可能な予測ターゲットが提供される。
論文 参考訳（メタデータ） (2020-02-19T18:10:20Z)
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。