José A. Martín Baos nuovo dottorato in ingegneria informatica
Il dottorando e professore della Scuola Superiore di Informatica, José Ángel Martín Baos, ha difeso la sua tesi di dottorato dal titolo «Metodi di apprendimento automatico applicati alla modellazione della domanda di trasporto» venerdì 7 luglio, la tesi diretta dai professori Ricardo García Ródenas e Luis Rodríguez Benítez. Il tribunale era presieduto dal professor Emilio Carrizosa Priego dell'Università di Siviglia e completato dalla professoressa Carmen Lacave Rodero dell'Università di Siviglia. UCLM e il professor Tim Hillel di University College London. Ci congratuliamo con José Ángel per il suo grande risultato e con i suoi registi per il magnifico lavoro che hanno svolto. José Ángel entra così a far parte del corpo dei medici dell'ESI che rappresentano oltre l'85% del personale. Questo straordinario risultato rafforza la reputazione della Escuela Superior de Informática come centro di eccellenza, riconosciuto con il Sigillo europeo di qualità Euro-Inf, concesso in riconoscimento della qualità dei suoi programmi accademici e del corpo di professori che li insegnano.
Riassunto
La modellazione della domanda di trasporto gioca un ruolo fondamentale nella pianificazione dei trasporti, consentendo la stima precisa della domanda e la valutazione delle politiche di trasporto come beneficio sociale della creazione di nuove infrastrutture. Tuttavia, poiché i sistemi di trasporto diventano sempre più complessi e i recenti progressi tecnologici consentono una maggiore raccolta di dati, i metodi analitici tradizionali come i modelli di utilità casuali (RUM) non sono più disponibili e non sono sufficienti per gestire questa complessità. Pertanto, è necessario incorporare nuove tecniche che consentano di risolvere queste limitazioni. Per fare ciò, questa tesi di dottorato indaga il potenziale dei metodi di machine learning (ML) in questo contesto.
In primo luogo, viene analizzato se i modelli ML all'avanguardia, come le reti neurali artificiali, supportano macchine vettoriali e metodi basati su insiemi di modelli (come foreste casuali o alberi decisionali di potenziamento del gradiente), migliorano rispetto agli UPRM in questo campo di ricerca. Per fare ciò, questi modelli vengono confrontati rispetto alla loro capacità predittiva e anche in termini di possibilità di derivare indicatori econometrici, applicati al contesto della modellazione della domanda di trasporto.
I risultati ottenuti mostrano che le tecniche classiche sono superate dai modelli ML dal punto di vista della qualità delle classificazioni, tuttavia, queste ultime hanno difficoltà a calcolare indicatori econometrici affidabili. Per questo motivo, in alternativa alla modellazione delle funzioni di utilità dei RUM, viene proposto un modello ML denominato Kernel Logistic Regression (KLR), che consente la derivazione di indicatori econometrici. Gli esperimenti condotti mostrano che il KLR fornisce buoni risultati nei set di dati utilizzati in altri confronti della letteratura, fornendo stime imparziali degli indicatori econometrici.
Inoltre, si propone di estendere l'applicazione del KLR a una serie di problemi di classificazione attraverso un'estensione dei modelli KLR denominata Generalized Kernel Logistic Regression (GKLR). Ad esempio, la teoria GKLR ha consentito la derivazione di un nuovo modello chiamato Nested Kernel Logistic Regression (NKLR), che consente l'applicazione del KLR a set di dati strutturati gerarchicamente.
Infine, questa tesi affronta uno dei principali limiti del metodo KLR, che è l'elevata complessità computazionale e di archiviazione quando applicato a problemi su larga scala. Per superare questa limitazione, vengono suggeriti l'uso dei metodi di Nyström e una nuova proposta per accelerare i metodi di addestramento alla ricerca lineare. I risultati dimostrano che incorporando queste tecniche, il KLR può affrontare in modo efficiente problemi su larga scala che coinvolgono centinaia di migliaia di pezzi di dati.
