Synthesising Activity Participations and Scheduling with Deep Generative Machine Learning

要約

深い生成機械学習アプローチを使用して、人間の活動への参加とスケジューリング（どのような活動がいつ参加するかの選択の選択）を統合します。
人々が何をするかを表す活動スケジュールは、多くの応用輸送、エネルギー、および疫学モデルのコアコンポーネントです。
データ駆動型のアプローチは、サブモデルとカスタムルールの複雑な相互作用の組み合わせを必要とせずに、人間の好みとスケジューリングロジックに起因する分布を学習します。これにより、既存のアプローチがスケジュールデータを統合または匿名化するよりも迅速かつ簡単に動作します。
さらに、新しいスケジュール表現と包括的な評価フレームワークを提供します。
エンコードと深いモデルアーキテクチャの組み合わせの範囲を評価します。
この評価は、私たちのアプローチがアクティビティスケジュールの大規模で多様で、斬新で現実的な合成サンプルを迅速に生成できることを示しています。

要約(オリジナル)

Using a deep generative machine learning approach, we synthesise human activity participations and scheduling (the choices of what activities to participate in and when). Activity schedules, which represent what people do and when, are a core component of many applied transport, energy, and epidemiology models. Our data-driven approach learns the distributions resulting from human preferences and scheduling logic without the need for complex interacting combinations of sub-models and custom rules, This makes our approach significantly faster and simpler to operate than existing approaches to synthesise or anonymise schedule data. We additionally contribute a novel schedule representation and a comprehensive evaluation framework. We evaluate a range of schedule encoding and deep model architecture combinations. The evaluation shows our approach can rapidly generate large, diverse, novel, and realistic synthetic samples of activity schedules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google