Optimization of on-demand bus operations based on local interpretation of predictive models
Project/Area Number |
22K04169
|
Research Category |
Grant-in-Aid for Scientific Research (C)
|
Allocation Type | Multi-year Fund |
Section | 一般 |
Review Section |
Basic Section 21040:Control and system engineering-related
|
Research Institution | Tottori University of Environmental Studies |
Principal Investigator |
堀 磨伊也 公立鳥取環境大学, 人間形成教育センター, 准教授 (80772558)
|
Project Period (FY) |
2022-04-01 – 2025-03-31
|
Project Status |
Granted (Fiscal Year 2022)
|
Budget Amount *help |
¥4,160,000 (Direct Cost: ¥3,200,000、Indirect Cost: ¥960,000)
Fiscal Year 2024: ¥1,300,000 (Direct Cost: ¥1,000,000、Indirect Cost: ¥300,000)
Fiscal Year 2023: ¥780,000 (Direct Cost: ¥600,000、Indirect Cost: ¥180,000)
Fiscal Year 2022: ¥2,080,000 (Direct Cost: ¥1,600,000、Indirect Cost: ¥480,000)
|
Keywords | 予測モデルの局所的解釈 / 運行最適化 / 局所的解釈 / 最適化 / 不確実性 |
Outline of Research at the Start |
本研究では、不確実性を持つ予測値を用いた最適化問題の一例としてオンデマンドバスの運行ルート最適化を目的とし、乗車リクエスト予測を行うモデルの局所解釈に基づいた新たな最適化手法の構築を行う。特に乗車リクエストはイベントなどの環境情報に応じて急激に変化することがあるため、運行ルートの最適化時には乗車リクエストの予測の信頼性が重要となる。そこで本研究では、様々な関連データを用いて構築された複数の予測モデルに対して局所的解釈を行い、各予測の信頼性を考慮しながら最適運行ルートを決定する手法を提案する。
|
Outline of Annual Research Achievements |
オンデマンドバスの乗車リクエストに関して各バス停の予測値だけでなく,予測に用いられた入力特徴の貢献度を用いて強化学習の枠組みで運行ルートの最適化を行うことが研究目的であった.実際にこれらを行う準備として,予測に用いられた入力特徴の貢献度がどの程度運行ルート最適化に対して有効かを調査する実験を行った.オンデマンドバスの乗車リクエストに関するデータが少ない場合は,十分な予測精度が期待できないと考えられる.そのため本研究では,サービスを行う上でどの程度の予測精度があれば,将来需要を考慮した経路最適化が有効であるかを調べ,それに基づいて予測を利用するかどうかを選択した.さらに本研究では,十分な予測精度が得られない場合に,予測モデルの解釈性を活用することで時間コストの削減を試みた.予測結果が何を根拠に出力されているのかがわかれば,それをもとに予測結果が信頼できるかどうかを判断できる.特定の入力に対する予測結果の根拠を調べる手法として局所的解釈手法が存在し,その代表的な例として,SHapley Additive exPlanations(SHAP)が挙げられる.SHAPは,ゲーム理論におけるShapley値の概念を機械学習モデルに適用した手法で,ある入力変数の数値が既知のときと未知のときの出力値の差分からその変数の貢献度を求めるものである.本研究では,この局所的解釈手法を予測モデルに適用し,予測結果に対する各入力の貢献度を求め予測結果に対する信頼性を推定した.実験では信頼性の低い予測結果を排除することで時間コストのさらなる削減を実現できることを示した.
|
Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
コロナ禍のため実験において新たなオンデマンドバスに関する乗車リクエストデータを取得することができない状況が続いたが,コロナ禍以前に蓄積されたデータを用いて予測モデルの局所的解釈を行った.バス停の配置状況および予測精度に応じて,乗車リクエストの活用状況が異なることを明らかにした.さらに,予測モデルの局所的解釈によって得られた入力特徴の貢献度を運行ルート最適化に用いることで,オンデマンドバス運行において時間コストの削減を実現できることがわかった.
|
Strategy for Future Research Activity |
本年度は信頼性の低い予測結果を予測モデルの解釈性に基づき人手で信頼性が低いものを排除することで,オンデマンドバスの運行に関する時間コストを削減できることを示した.次年度は同じ問題に対して強化学習の枠組みで自動的にどこまで実現できるかを明らかにする.
|
Report
(1 results)
Research Products
(2 results)