Использование DataSP: дифференцируемый алгоритм машинного обучения кратчайших путей для изучения скрытых затрат по траекториям

Практические решения и ценность

В управлении трафиком и градостроительстве возможность изучать оптимальные маршруты на основе контекстуальных признаков обещает значительные преимущества. Исследования показывают, что этот метод основан на том, что агенты стремятся оптимизировать скрытую стоимость при перемещении с одной точки в другую.

Факторы, такие как продолжительность поездки, комфорт, тарифы и расстояние, часто формируют эти скрытые издержки, определяя процессы принятия решений участников. Понимание и определение этих скрытых издержек предлагает понимание механизмов принятия решений и способы улучшения управления трафиком путем прогнозирования заторов и предоставления реального времени навигационного руководства.

Появилось новое средство – DataSP, позволяющее изучать скрытые издержки по наблюдаемым траекториям, кодируя их в частоты наблюдаемых явных путей. Этот подход использует алгоритм Флойда-Уоршелла, который позволяет решать задачи кратчайшего пути от каждой точки ко всем остальным за один проход на основе явных путей.

Общим результатом методологии является возможность изучения скрытых издержек и эффективный прогноз вероятных траекторий и вывод вероятных мест назначения или будущих узлов.

Использование нейронных сетей в сочетании с DataSP позволяет исследователям изучать нелинейные представления издержек явных путей на основе контекстуальных признаков, что предлагает более полное понимание процессов принятия решений в управлении трафиком и градостроительстве.