Исследовательская фирма Массачусетского технологического института в СингапуреАльянс исследований и технологий Сингапура и Массачусетского технологического института(УМНАЯ)будущая городская мобильностьИсследователи из междисциплинарной исследовательской группы создали синтетическую структуру под названием остаточные нейронные сети, основанные на теории (TB-ResNet), которая сочетает в себе модели дискретного выбора (DCM) и глубокие нейронные сети (DNN), также известные как глубокое обучение. анализ решений, используемый в исследованиях поведения в поездках.
Их статья [«Основываясь на теории остаточных нейронных сетей: синергия моделей дискретного выбора и глубоких нейронных сетей»] (woohoo.science direct.com/science/art…, недавно опубликованном в журнале Transportation Research: Part B, исследователи SMART объясняют разработанную ими структуру TB-ResNet и демонстрируют преимущества сочетания методов DCM и DNN, демонстрируя, что они хорошо дополняют друг друга.
С ростом использования машинного обучения на транспорте две разные исследовательские концепции, DCM и DNN, долгое время считались конфликтующими исследовательскими подходами.
Объединяя эти две важные исследовательские парадигмы, TB-ResNet использует простоту DCM и выразительную мощь DNN для получения более полных результатов и более точных прогнозов для анализа индивидуальных решений, которые важны для улучшения исследований поведения в поездках. Разработанная структура TB-ResNet более предсказуема, интерпретируема и надежна, чем DCM или DNN, и ее результаты согласуются с широким спектром наборов данных.
Точный и эффективный анализ индивидуальных решений в повседневном контексте имеет решающее значение для транспортных компаний, правительств и политиков, стремящихся оптимизировать транспортные сети и решать транспортные проблемы, особенно в городах. TB-ResNet устранит существующие трудности, с которыми сталкиваются DCM и DNN, и позволит заинтересованным сторонам получить целостное, единое представление о планировании трафика.
«Улучшение понимания того, как путешественники принимают решения о способе передвижения, пункте назначения, времени отправления и планировании мероприятий, имеет важное значение для правительств и транспортных компаний по всему миру», — сказал Шэньхао Ван, постдоктор и ведущий автор Лаборатории городского транспорта Массачусетского технологического института. планирование имеет решающее значение. Я с нетерпением жду дальнейшего развития TB-ResNet и его приложений в транспортном планировании, поскольку это было признано сообществом транспортных исследователей».
«Наша группа по исследованию будущей городской мобильности сосредоточена на разработке новых парадигм и внедрении инноваций в будущие системы городской мобильности в Сингапуре и других странах», — сказал Цзиньхуа Чжао, главный исследователь SMART FM и доцент кафедры городских исследований и планирования Массачусетского технологического института. Структура ResNet — важная веха, которая может обогатить наше исследование влияния моделей принятия решений в области городского развития».
TB-ResNet также можно широко применять для понимания отдельных случаев принятия решений, проиллюстрированных в этом исследовании, будь то поездки, потребление или голосование.
В этом исследовании инфраструктура TB-ResNet была протестирована в трех сценариях. Во-первых, исследователи использовали его для прогнозирования выбора способа передвижения между дорожным движением, вождением автомобиля, беспилотным автомобилем, ходьбой и ездой на велосипеде, которые являются доминирующими способами передвижения в городских условиях. Во-вторых, они оценивают выбор риска и предпочтения, когда речь идет о неопределенной доходности валюты. Примеры таких ситуаций включают страхование, финансовые инвестиции и решения о голосовании.
Наконец, они рассмотрели варианты выбора времени, измеряя компромисс между текущими и будущими денежными доходами. Классическим примером является развитие транспорта, когда акционеры анализируют инвестиции в инфраструктуру с большими авансовыми платежами и долгосрочными выгодами для принятия решений.
Исследование было проведено SMART при поддержке Национального исследовательского фонда Сингапура (NRF) в рамках программы Campus for Research Excellence and Technology Enterprises (CREATE).
Исследовательская группа Future Urban Mobility Research Group использует новые технологические и институциональные инновации для создания систем городской мобильности следующего поколения, которые улучшают доступность, справедливость, безопасность и экологические показатели для граждан и предприятий в Сингапуре и других мегаполисах по всему миру. FM поддерживается программой CREATE Национального фонда Сингапура.
SMART был создан в 2007 году Массачусетским технологическим институтом в сотрудничестве с Национальным исследовательским фондом Сингапура. SMART служит центром знаний и инноваций для исследовательского взаимодействия между Массачусетским технологическим институтом и Сингапуром, выполняя передовые исследовательские проекты в областях, представляющих интерес как для Сингапура, так и для Массачусетского технологического института. В настоящее время SMART включает в себя инновационный центр и пять междисциплинарных исследовательских групп. Антибактериальные свойства, критическая аналитика для создания персонализированных лекарств, прорывные и устойчивые технологии для точного земледелия, частотная модуляция и электронные системы с низким энергопотреблением.
Оригинальная ссылка:news.peach.quota/2021/умный-…