Prediction of Time and Distance of Trips Using Explainable Attention-based LSTMs

要約

この論文では、機械学習ソリューションを提案して、将来の走行時間と、車両が走行する可能性のある距離を予測します。
この予測タスクでは、4 つの方法を開発して調査します。
最初の方法では、旅行時間と距離の多次元履歴データを同時に処理するように特別に設計された長短期記憶 (LSTM) ベースの構造を使用します。
それを使用して、完全に接続されたレイヤーを介して LSTM ネットワークの出力を連結することにより、将来の移動時間を予測し、車両が移動する距離を予測します。
2 番目の方法は、アテンション ベースの LSTM ネットワーク (At-LSTM) を使用して同じタスクを実行します。
3 番目の方法では、2 つの LSTM ネットワークを並行して利用します。1 つは旅行の時間を予測するため、もう 1 つは距離を予測するためです。
各 LSTM の出力は、全結合層を介して連結されます。
最後に、最後のモデルは 2 つの並列 At-LSTM に基づいており、同様に、各 At-LSTM は全結合層を介して時間と距離を個別に予測します。
提案された方法の中で、最も高度な方法、つまり並列 At-LSTM は、最初の方法である LSTM よりも 23.89% 優れた、3.99% の誤差範囲で次のトリップの距離と時間を予測します。
また、ネットワークがどのように学習を実行し、情報のシーケンスをモデル化するかを理解するための説明可能性手法として、TimeSHAP を提案します。

要約(オリジナル)

In this paper, we propose machine learning solutions to predict the time of future trips and the possible distance the vehicle will travel. For this prediction task, we develop and investigate four methods. In the first method, we use long short-term memory (LSTM)-based structures specifically designed to handle multi-dimensional historical data of trip time and distances simultaneously. Using it, we predict the future trip time and forecast the distance a vehicle will travel by concatenating the outputs of LSTM networks through fully connected layers. The second method uses attention-based LSTM networks (At-LSTM) to perform the same tasks. The third method utilizes two LSTM networks in parallel, one for forecasting the time of the trip and the other for predicting the distance. The output of each LSTM is then concatenated through fully connected layers. Finally, the last model is based on two parallel At-LSTMs, where similarly, each At-LSTM predicts time and distance separately through fully connected layers. Among the proposed methods, the most advanced one, i.e., parallel At-LSTM, predicts the next trip’s distance and time with 3.99% error margin where it is 23.89% better than LSTM, the first method. We also propose TimeSHAP as an explainability method for understanding how the networks perform learning and model the sequence of information.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google