本研究では、深層学習モデルを用いてトラフィック速度を予測し、その予測結果の解釈性を高めるために反事実的説明を活用した。
まず、過去のトラフィックデータと状況変数を入力として、深層学習モデルを構築し、トラフィック速度を予測した。次に、反事実的説明を用いて、入力変数の変化がどのように予測結果に影響するかを明らかにした。
具体的には、郊外道路、都市道路、高速道路の3つの道路セグメントを対象に、目標の予測速度を達成するための最小限の入力変数の変化を見出した。その結果、郊外道路と都市道路では、周辺のPOI数や車線数、速度制限の変更が予測速度に影響するが、高速道路ではこれらの変数の変更では予測速度を大きく改善できないことが分かった。
さらに、ユーザーが指定した制約条件を反映した反事実的説明を生成する手法を提案した。これにより、ユーザーの好みや状況に応じた反事実的説明を得ることができ、深層学習モデルの解釈性と実用性が高まる。
本研究の成果は、深層学習モデルを用いたスパース時間予測タスクにおける反事実的説明の有効性を示しており、モデルの解釈可能性向上に貢献する。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Rushan Wang,... at arxiv.org 05-02-2024
https://arxiv.org/pdf/2405.00456.pdfDeeper Inquiries