Aug, 2023

基于计算机视觉的离散选择模型及其在居住地选择中的应用

PDF
TL;DR本研究提出了一种 “计算机视觉增强的离散选择模型”，可通过集成计算机视觉和传统的离散选择模型，处理包含数值属性和图像的选择任务，从而填补当前离散选择模型与实际行为之间的鸿沟，并应用于一项涉及居住地选择的新型选择实验数据，将离散选择建模与机器学习相结合，为旅游行为领域的文献积累做出贡献。
visual imagerymulti-attribute decisioncomputer visiondiscrete choice modelstravel behavior research
发现论文，激发创造
  • 将领域知识融入深度神经网络中用于离散选择模型

    本文提出了一种框架，通过约束条件将领域知识和先验信念与机器学习相结合，以支持可解释的基于数据驱动的离散选择模型的开发，并通过案例研究展示了该框架的潜力。

    May, 2023

  • 离散选择建模中的图像：解决多模态输入中的数据同构性问题

    对于离散选择建模（Discrete Choice Modeling，DCM）与机器学习的交集进行研究，以图像数据整合进 DCM 的效用函数并对其对模型解释性的影响进行探讨。研究发现，神经网络（NN）组件在存在共现情况下，能够从图像中学习和复制表格变量的表达，从而影响了 DCM 参数的解释性。针对这一挑战，文章提出并对两种方法进行评估：通过架构设计调整来隔离冗余信息，以及通过源信息屏蔽和修复来降低同构信息的影响。在半合成数据集上进行的实验表明，尽管架构的修改结果不确定，但直接从数据源进行干预可以更有效地保持 DCM 解释性参数的完整性。文章总结了研究结果在现实世界中的适用性，并讨论了将复杂数据模式相结合的混合建模研究的意义。通过使用 MIT 的道德机器数据集，整合表格和图像数据，并采用学习多项式逻辑（Learning Multinomial Logit，L-MNL）框架，实现了对表格和图像数据完全匹配的控制。

    Dec, 2023

  • 基于深度神经网络和离散选择模型的旅行行为预测中的机会平等

    本文研究机器学习在旅行行为建模领域的应用并发现其普遍存在的预测失误和潜在的公平性问题，提出了一种基于绝对相关性规则的算法来解决该问题。

    Sep, 2021

  • 利用图像作为协变量：用深度学习测量路边吸引力

    该研究介绍了一种创新的方法，将图像数据集成到传统计量模型中，通过深度学习将图像中包含的信息作为协变量，用于预测房地产销售价格，通过图像编码和分割的方式提高了预测准确性。

    Mar, 2024

  • 基于神经网络的商品组合优化选择模型

    离散选择模型与神经网络相比，在预测客户购买概率方面表现得更具表现力、能够捕捉客户异质性和行为，但难以估计且无法捕捉客户行为的许多显著特征。本文首先研究了单个神经网络架构是否能够预测来自不同背景和模型假设下的购买概率。接下来，我们开发了一种适用于现成整数规划求解器的组合优化公式。在模拟和实际数据集上与各种基准离散选择模型进行了比较，同时通过一些训练技巧使神经网络预测及后续优化具备鲁棒性，并能与其他模型相媲美。

    Aug, 2023

  • 多层建筑中基于数据驱动的预测决策点选择的方法研究

    应用机器学习算法研究复杂室内建筑中行人路径选择行为的潜力探索。

    Aug, 2023

  • 可控制的心智视觉扩散模型

    本文提出了一种名为 Controllable Mind Visual Diffusion Model (CMVDM) 的新方法，利用属性对齐和辅助网络从 fMRI 数据中提取语义和轮廓信息，并利用控制模型对提取的信息进行图像合成，与其他现有方法相比，CMVDM 在定性和定量上都具有更好的性能。

    May, 2023

  • 一种深度逆强化学习方法用于上下文相关奖励的路径选择建模

    本研究提出了一种基于深度倒置强化学习的路线选择建模方法，该方法可捕捉复杂关系和不同特征，并能够在交通规划和需求预测领域中应用。通过使用上海的出租车 GPS 数据来验证该模型，实验结果表明，该方法表现出较高的预测性能，甚至能够处理训练数据中未出现的目的地。

    Jun, 2022

  • 多视角图像中的三维概念学习和推理

    本文提出了一个新的大规模 3D 多视图视觉问答基准（3DMV-VQA），介绍了一种基于神经场，2D 预训练的视觉语言模型和神经推理运算符的 3D 概念学习与推理（3D-CLR）框架，并评估了各种最先进的模型，发现它们都表现不佳，提出了从多视图图像中推断出世界的紧凑 3D 表示，并在此基础上执行推理的原则方法，对挑战进行了深入分析并指出了潜在的未来方向。

    Mar, 2023

  • 细粒度分类城市范围视觉地点识别

    本文提出了一种称为 Divide＆Classify（D＆C）的方法，它将视觉场所识别问题作为一个分类问题来解决，以避免相似性搜索所产生的效率问题，并且我们通过基于角度边界的原型学习来实现一种有效的分类器集成方案，并通过使用优化的图像分区方案提高了精度和推理速度，同时与 Retrieval 方法竞争达到新的最高精度。

    Jul, 2023