Een vergelijkende samenvatting van diepe neurale netwerken (DNN’s) en kenmerken van discrete-keuzemodellen (DCM’s) Credit: Singapore-MIT Alliance for Research and Technology (SMART)
Onderzoekers van de Future Urban Mobility Interdisciplinary Research Group van Singapore-MIT Alliance for Research and Technology, de onderzoeksonderneming van MIT in Singapore, hebben een synthetisch raamwerk gecreëerd dat bekend staat als een op theorie gebaseerd residueel neuraal netwerk (TB-ResNet), dat discrete keuzemodellen combineert (DCM’s) en diepe neurale netwerken (DNN’s), ook bekend als deep learning, om individuele besluitvormingsanalyses voor onderzoek naar reisgedrag te verbeteren.
In dit onderzoeksrapport worden op theorie gebaseerde residuele neurale netwerken: een synergie van discrete keuzemodellen en diepe neurale netwerken, onlangs gepubliceerd in een gevestigd wetenschappelijk tijdschrift over transport. Transportonderzoek: deel B, Leggen SMART-onderzoekers hun ontwikkelde TB-ResNet-framework uit en demonstreren ze de kracht van het combineren van de DCM’s en DNNs-methoden, wat bewijst dat ze zeer complementair zijn.
Aangezien machine learning in toenemende mate wordt gebruikt op het gebied van transport, worden de twee ongelijksoortige onderzoeksconcepten, DCM’s en DNN’s, lange tijd gezien als tegenstrijdige onderzoeksmethoden.
Door deze twee belangrijke onderzoeksparadigma’s te combineren, profiteert TB-ResNet van de eenvoud van DCM en de expressieve kracht van DNN om rijkere bevindingen en nauwkeurigere voorspellingen te genereren voor individuele besluitvormingsanalyse, wat belangrijk is voor verbeterd onderzoek naar reisgedrag. Het ontwikkelde TB-ResNet-raamwerk is meer voorspellend, interpreteerbaar en robuuster in vergelijking met DCM’s en DNN’s, met bevindingen die consistent zijn over een breed scala aan datasets.
Nauwkeurige en efficiënte analyse van individuele besluitvorming in de dagelijkse context is van cruciaal belang voor mobiliteitsbedrijven, overheden en beleidsmakers die transportnetwerken willen optimaliseren en transportuitdagingen willen aanpakken, vooral in stedelijke steden. TB-ResNet zal bestaande problemen bij DCM’s en DNN’s wegnemen en belanghebbenden in staat stellen een holistische, uniforme kijk te hebben op transportplanning.
Postdoctoraal medewerker bij MIT Urban Mobility Lab en hoofdauteur van de paper, Shenhao Wang, zei: “Verbeterde inzichten in hoe reizigers beslissingen nemen over de manier van reizen, bestemming, vertrektijd en planning van activiteiten zijn cruciaal voor de planning van stadsvervoer voor overheden en transport. bedrijven over de hele wereld. Ik kijk ernaar uit om TB-ResNet en zijn toepassingen voor transportplanning verder te ontwikkelen nu het erkend is door de transportonderzoeksgemeenschap. “
SMART FM hoofdonderzoeker en universitair hoofddocent bij MIT Department of Urban Studies and Planning, Jinhua Zhao, zei: “Ons Future Urban Mobility-onderzoeksteam richt zich op het ontwikkelen van nieuwe paradigma’s en het innoveren van toekomstige stedelijke mobiliteitssystemen in en buiten Singapore. Dit nieuwe TB-ResNet kader is een belangrijke mijlpaal die ons onderzoek naar de effecten van besluitvormingsmodellen voor stedelijke ontwikkeling zou kunnen verrijken. “
Het TB-ResNet kan ook op grote schaal worden toegepast om individuele besluitvormingsgevallen te begrijpen, zoals geïllustreerd in dit onderzoek, of het nu gaat om reizen, consumptie, stemmen en vele andere.
Het TB-ResNet-framework is in deze studie in drie gevallen getest. Ten eerste gebruikten onderzoekers het om beslissingen over de manier van reizen te voorspellen tussen openbaar vervoer, autorijden, autonome voertuigen, lopen en fietsen, die belangrijke reismodi zijn in een stedelijke omgeving. Ten tweede hebben ze risicoalternatieven en voorkeuren geëvalueerd wanneer er sprake is van monetaire uitbetalingen met onzekerheid. Voorbeelden van dergelijke situaties zijn verzekeringen, financiële investeringen en stembeslissingen.
Ten slotte onderzochten ze tijdelijke alternatieven, waarbij ze de afweging maten tussen huidige en toekomstige gelduitbetalingen. Een typisch voorbeeld van wanneer dergelijke beslissingen worden genomen, is de ontwikkeling van transport, waar aandeelhouders infrastructuurinvesteringen analyseren met grote aanbetalingen en langetermijnvoordelen.
Geleverd door Singapore-MIT Alliance for Research and Technology
