| 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 2023)
|
| 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 | モデルの局所的解釈 / サイバーフィジカルシステム / 運行最適化 / 予測モデルの局所的解釈 / 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．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り，本研究で必要な予測に用いられた入力特徴の貢献度を算出することが可能となっている．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．ここではデータ量と予測モデルの複雑度に応じて予測の不確実性が変化するため，これらを適宜変更した上で，予測精度と予測結果に対する各入力の貢献度を算出した．これらの大量データは，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を最適化する際に，シミュレーション実験に用いる予定である．
また，予測の不確実性が存在する中での運行ルートの最適化を行う際に，損失の期待値が最も小さくなるような予測の補正値を算出するための手法を提案し，実験により有効性を示した．入力特徴の貢献度を用いて強化学習の枠組みで最適化する提案手法との比較手法として活用することができると考えられる．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
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を最適化する際に，局所最適な行動に陥ったり，過学習を行う問題があり，学習に時間を要しているため．
|
| Strategy for Future Research Activity |
本年度は，予測の不確実性が存在する中での運行ルートの最適化を行う際に，損失の期待値が最も小さくなるような予測の補正値を算出するための手法を提案し，実験により有効性を示した．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．
|
