Modelling Activity Scheduling Behaviour with Deep Generative Machine Learning

要約

私たちは、深層生成機械学習アプローチを使用して、人間のアクティビティのスケジューリング動作をモデル化します。
個人の活動とそれに関連する旅行行動を表す活動スケジュールは、交通、エネルギー、疫学の分野で適用される多くのモデルの中核コンポーネントです。
当社のデータ駆動型アプローチは、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 ロジックを学習します。これにより、当社のアプローチは、既存のアプローチの操作が大幅に高速かつ簡単になります。
活動スケジュール データは連続画像データと離散テキスト データの両方の側面を組み合わせており、新しいアプローチが必要であることがわかりました。
さらに、新しいスケジュール表現と、生成されたスケジュールの包括的な評価フレームワークにも貢献します。
評価の結果、私たちのアプローチは、活動スケジュールの大規模で多様かつ現実的な合成サンプルを迅速に生成できることがわかりました。

要約(オリジナル)

We model human activity scheduling behaviour using a deep generative machine learning approach. Activity schedules, which represent the activities and associated travel behaviours of individuals, are a core component of many applied models in the transport, energy and epidemiology domains. Our data driven approach learns 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 that existing approaches. We find activity schedule data combines aspects of both continuous image data and also discrete text data, requiring novel approaches. We additionally contribute a novel schedule representation and comprehensive evaluation framework for generated schedules. Evaluation shows our approach is able to rapidly generate large, diverse and realistic synthetic samples of activity schedules.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google