An Explainable Stacked Ensemble Model for Static Route-Free Estimation of Time of Arrival

要約

代替のタクシー スケジュールを比較して計算し、運転手や乗客に今後のタクシー旅行に関する洞察を提供するために、旅行の所要時間または到着予定時刻 (ETA) が予測されます。
高い予測精度を達成するために、ETA の機械学習モデルは最先端のものです。
予測精度をさらに高めるためのまだ活用されていないオプションの 1 つは、複数の ETA モデルをアンサンブルに結合することです。
予測精度は向上する可能性がありますが、主な欠点は、洗練されたアンサンブル アーキテクチャにより、このようなアンサンブルによって行われる予測の透明性が低下することです。
この欠点を解決する 1 つのオプションは、eXplainable Artificial Intelligence (XAI) を適用することです。
この論文の貢献は 3 つあります。
まず、ETA の以前の作業からの複数の機械学習モデルを 2 レベルのアンサンブル モデル (スタック型アンサンブル モデル) に結合します。これはそれ自体が新しいものです。
したがって、以前の最先端のスタティック ルートフリー ETA アプローチよりも優れたパフォーマンスを発揮できます。
次に、既存の XAI 手法を適用して、アンサンブルの第 1 レベルと第 2 レベルのモデルを説明します。
第三に、第 1 レベルの説明と第 2 レベルの説明を結合するための 3 つの結合方法を提案します。
これらの結合方法により、回帰タスクの積み重ねられたアンサンブルを説明できるようになります。
実験による評価では、ETA モデルが予測を推進する入力特徴の重要性を正しく学習したことが示されています。

要約(オリジナル)

To compare alternative taxi schedules and to compute them, as well as to provide insights into an upcoming taxi trip to drivers and passengers, the duration of a trip or its Estimated Time of Arrival (ETA) is predicted. To reach a high prediction precision, machine learning models for ETA are state of the art. One yet unexploited option to further increase prediction precision is to combine multiple ETA models into an ensemble. While an increase of prediction precision is likely, the main drawback is that the predictions made by such an ensemble become less transparent due to the sophisticated ensemble architecture. One option to remedy this drawback is to apply eXplainable Artificial Intelligence (XAI). The contribution of this paper is three-fold. First, we combine multiple machine learning models from our previous work for ETA into a two-level ensemble model – a stacked ensemble model – which on its own is novel; therefore, we can outperform previous state-of-the-art static route-free ETA approaches. Second, we apply existing XAI methods to explain the first- and second-level models of the ensemble. Third, we propose three joining methods for combining the first-level explanations with the second-level ones. Those joining methods enable us to explain stacked ensembles for regression tasks. An experimental evaluation shows that the ETA models correctly learned the importance of those input features driving the prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google