José A. Martín Baos Bilgisayar Mühendisliğinde yeni Doktora
Bilgisayar Bilimleri Yüksek Okulu'nda doktora öğrencisi ve profesör olan José Ángel Martín Baos, "Taşıma talebi modellemesine uygulanan makine öğrenimi yöntemleri» 7 Temmuz Cuma günü, profesörler Ricardo García Ródenas ve Luis Rodríguez Benítez'in yönettiği bir tez. Mahkemeye Sevilla Üniversitesi'nden Profesör Emilio Carrizosa Priego başkanlık etti ve mahkemenin başkanlığını Sevilla Üniversitesi'nden Profesör Carmen Lacave Rodero üstlendi. UCLM ve Profesör Tim Hillel University College London. José Ángel'i büyük başarısından ve yönetmenlerini yaptıkları muhteşem işlerden dolayı tebrik ediyoruz. Böylece José Ángel, personelin %85'inden fazlasını temsil eden ESI doktorları grubunun bir parçası olur. Bu dikkate değer başarı, Escuela Superior de Informática'nın bir mükemmeliyet merkezi olarak itibarını pekiştiriyor. Avrupa kalite mührü Euro-Inf, akademik programlarının kalitesinin ve bunları öğreten profesörlerin yapısının takdiri olarak verilmiştir.
Resumen
Ulaşım talep modellemesi, ulaşım planlamasında temel bir rol oynamakta ve talebin kesin olarak tahmin edilmesini ve ulaşım politikalarının yeni altyapıların oluşturulmasının sosyal faydası olarak değerlendirilmesini sağlamaktadır. Bununla birlikte, ulaşım sistemleri giderek daha karmaşık hale geldikçe ve son teknolojik gelişmeler daha fazla veri toplanmasına izin verdiğinden, rastgele faydalı modeller (RUM) gibi geleneksel analitik yöntemler artık bu karmaşıklığın üstesinden gelmek için yeterli değildir. Bu nedenle, bu sınırlamaları çözmeye izin veren yeni tekniklerin dahil edilmesi gerekmektedir. Bunu yapmak için, bu doktora tezi bu bağlamda makine öğrenimi (ML) yöntemlerinin potansiyelini araştırıyor.
İlk olarak, yapay sinir ağları, destek vektör makineleri ve model topluluklarına dayalı yöntemler (rastgele ormanlar veya gradyan artırıcı karar ağaçları gibi) gibi son teknoloji makine öğrenimi modellerinin UPRM'lere iyileşip gelişmediği analiz edilir. bu araştırma alanında. Bunu yapmak için, bu modeller tahmin kapasitelerine göre ve ayrıca ulaşım talep modellemesi bağlamında uygulanan ekonometrik göstergeler türetme olasılığı açısından karşılaştırılır.
Elde edilen sonuçlar, sınıflandırmaların kalitesi açısından klasik tekniklerin MO modellerine göre geride kaldığını, ancak ikincisinin güvenilir ekonometrik göstergeleri hesaplamada zorluklar yaşadığını göstermektedir. Bu nedenle, ekonometrik göstergelerin türetilmesine olanak sağlayan RUM'ların fayda fonksiyonlarını modellemeye alternatif olarak Çekirdek Lojistik Regresyon (KLR) adlı bir ML modeli önerilmiştir. Yapılan deneyler, KLR'nin ekonometrik göstergelerin yansız tahminlerini sağlarken diğer literatür karşılaştırmalarında kullanılan veri setlerinde iyi sonuçlar verdiğini göstermektedir.
Ayrıca, Genelleştirilmiş Çekirdek Lojistik Regresyon (GKLR) adı verilen KLR modellerinin genişletilmesi yoluyla KLR uygulamasının bir dizi sınıflandırma problemine genişletilmesi önerilmiştir. Örneğin, GKLR teorisi, KLR'nin hiyerarşik olarak yapılandırılmış veri setlerine uygulanmasına izin veren İç İçe Çekirdek Lojistik Regresyon (NKLR) adlı yeni bir modelin türetilmesine izin vermiştir.
Son olarak, bu tez, büyük ölçekli problemlere uygulandığında yüksek hesaplama ve depolama karmaşıklığı olan KLR yönteminin ana sınırlamalarından birini ele almaktadır. Bu sınırlamanın üstesinden gelmek için, Nyström yöntemlerinin kullanılması ve doğrusal arama eğitimi yöntemlerini hızlandırmak için yeni bir öneri önerilmektedir. Sonuçlar, bu teknikleri birleştirerek KLR'nin yüzbinlerce veri parçasını içeren büyük ölçekli sorunları verimli bir şekilde çözebileceğini göstermektedir.
