Core Concepts
여행 수단 선택 예측을 위해 개념 drift를 고려하는 하이브리드 앙상블 기반 접근법을 제안하였다. 이 방법은 배치 학습 모델과 온라인 학습 모델을 결합하여 여행 수단 선택 데이터의 변화에 적응할 수 있다.
Abstract
이 연구에서는 여행 수단 선택(TMC) 예측을 위한 하이브리드 앙상블 기반 접근법인 IEBSM(Incremental Ensemble of Batch and Stream Models) 방법을 제안하였다. IEBSM 방법은 개념 drift를 감지하고 이에 적응하기 위해 배치 학습 모델과 온라인 학습 모델을 결합한다.
실험 결과, IEBSM 방법은 개별 배치 학습 모델과 온라인 학습 모델보다 우수한 성능을 보였다. 이는 IEBSM 방법이 여행 수단 선택 데이터의 변화에 효과적으로 적응할 수 있음을 보여준다.
구체적으로:
배치 학습 모델에 개념 drift 감지 및 모델 재학습 전략을 적용한 경우, 초기 배치 모델만 사용한 경우보다 성능이 향상되었다.
IEBSM 앙상블은 개별 배치 학습 모델과 온라인 학습 모델보다 우수한 성능을 보였다. 이는 다양한 모델을 결합하여 여행 수단 선택 데이터의 변화에 효과적으로 대응할 수 있음을 보여준다.
IEBSM 앙상블에서 배치 학습 모델만을 사용한 경우에도 온라인 학습 모델을 포함한 경우보다 우수한 성능을 보였다. 이는 배치 학습 모델 간 다양성이 중요함을 시사한다.
Stats
여행 수단 선택 데이터에서 통계적으로 유의미한 변화가 발생했다.
개념 drift 감지 후 배치 모델을 재학습하여 성능이 향상되었다.
Quotes
"여행 수단 선택 데이터에서 통계적으로 유의미한 변화가 발생했다."
"개념 drift 감지 후 배치 모델을 재학습하여 성능이 향상되었다."