Ett teoribaserat artificiellt nätverk kombinerar diskreta valmodeller och djupinlärning, modeller som länge har betraktats som motstridiga.

ANNONS

För att förbättra analys av individuell beslutsfattning i resebeteende har forskare vid Future Urban Mobilitys, FM:s, tvärvetenskapliga researchgrupp vid Singapore-MIT Alliance for Research and Technology, SMART, skapat ett syntetiskt ramverk kallat teoribaserat kvarvarande neuralt nätverk, TB-ResNet.

Det nya artificiella nätverket TB-ResNet kombinerar diskreta valmodeller, DCM, och djupt neurala nätverk, DNN, även kallad djupinlärning.

Styrkan sitter i kombinationen

Forskningsrapporten, ”Theory-based residual neural networks: A synergy of discrete choice models and deep neural networks,” publicerades nyligen i Transportation Research: Part B.

I rapporten förklarar forskarna från SMART ramverket för sitt artificiella nätverk TB-ResNet och visar styrkan i att kombinera DCM:er och DNN:er och bevisar att de kompletterar varandra.

Bättre resultat och säkrare förutsägelser

Genom att kombinera dessa två viktiga forskningsparadigm drar TB-ResNet nytta av DNN:s expressiva styrka och DCM:s enkelhet för att få fram bättre resultat och säkrare förutsägelser för analys av individuellt beslutsfattande. Det är viktigt för att kunna förbättra forskningen kring resebeteende.

Det artificiella nätverket TB-ResNet är mer förutsägbart och tolkningsbart än DCM:er och DNN:er. För regeringar, beslutsfattare och mobilitetsföretag som vill utveckla och optimera transportnätverk är korrekta och effektiva analyser av individuell beslutsfattning i vardagen väldigt viktiga.

Ger förbättrad insyn i beslutsfattande

Det nya artificiella nätverket TB-ResNet kommer att eliminera de svårigheter som finna med att använda DCM:er och DNN:er så att berörda parter kan fatta bättre beslut när transport planeras.

ANNONS
ANNONS

“Förbättrad insyn i hur resenärer fattar beslut om resesätt, destination, avresetid och planering av aktiviteter är avgörande för regeringars och transportföretags planering över hela världen. Jag ser fram emot fortsatt utveckling av TB-ResNet och dess applikationer för transportplanering nu när det har erkänts av transportforskningsvärlden.” säger rapportens huvudförfattare Shenhao Wang vid Urban Mobility Lab at MIT.

Läs mer: Stockholmarna ska sväva fram över vattnet i rekordfart