Deep hybrid model with satellite imagery: how to combine demand modeling and computer vision for behavior analysis?

要約

古典的な需要モデリングは、高次元の都市画像ではなく、低次元の数値データ (つまり、社会人口統計や旅行属性) のみを使用して旅行行動を分析します。
ただし、旅行行動は数値データと都市画像の両方で表される要因に依存するため、それらを組み合わせる相乗効果のあるフレームワークが必要です。
この研究では、混合演算子と行動予測子で構成される交差構造を備えたディープ ハイブリッド モデルの理論的枠組みを作成し、数値データと画像データを潜在空間に統合します。
経験的に、このフレームワークは、シカゴの MyDailyTravel Survey を数値入力として、衛星画像を画像入力として使用して、旅行モードの選択を分析するために適用されます。
私たちのミキシングとしての監視設計を使用した旅行行動の集計および非集計の予測では、ディープ ハイブリッド モデルが従来の需要モデルと最近のディープ ラーニングの両方よりも優れていることがわかりました。
ディープハイブリッドモデルの潜在空間は、意味のある空間的および社会的パターンを明らかにするため、解釈することができます。
ディープ ハイブリッド モデルは、現実には存在しない新しい都市イメージを生成し、代替パターンや社会福祉の変化を計算するなど、経済理論で解釈することもできます。
全体として、ディープ ハイブリッド モデルは、低次元の数値データと高次元の画像データの間、および従来の需要モデリングと最近のディープ ラーニングの間の相補性を示しています。
これは、古典的なハイブリッド需要モデルの潜在クラスと変数を潜在空間に一般化し、ミクロ経済学の基礎に基づいた経済的解釈可能性を維持しながら、画像に対して深層学習の計算能力を活用します。

要約(オリジナル)

Classical demand modeling analyzes travel behavior using only low-dimensional numeric data (i.e. sociodemographics and travel attributes) but not high-dimensional urban imagery. However, travel behavior depends on the factors represented by both numeric data and urban imagery, thus necessitating a synergetic framework to combine them. This study creates a theoretical framework of deep hybrid models with a crossing structure consisting of a mixing operator and a behavioral predictor, thus integrating the numeric and imagery data into a latent space. Empirically, this framework is applied to analyze travel mode choice using the MyDailyTravel Survey from Chicago as the numeric inputs and the satellite images as the imagery inputs. We found that deep hybrid models outperform both the traditional demand models and the recent deep learning in predicting the aggregate and disaggregate travel behavior with our supervision-as-mixing design. The latent space in deep hybrid models can be interpreted, because it reveals meaningful spatial and social patterns. The deep hybrid models can also generate new urban images that do not exist in reality and interpret them with economic theory, such as computing substitution patterns and social welfare changes. Overall, the deep hybrid models demonstrate the complementarity between the low-dimensional numeric and high-dimensional imagery data and between the traditional demand modeling and recent deep learning. It generalizes the latent classes and variables in classical hybrid demand models to a latent space, and leverages the computational power of deep learning for imagery while retaining the economic interpretability on the microeconomics foundation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google