Optimization of on-demand bus operations based on local interpretation of predictive models

点击翻译按钮获取中文摘要

オンデマンドバスの乗車リクエストに関して各バス停の予測値だけでなく，予測に用いられた入力特徴の貢献度を用いて強化学習の枠組みで運行ルートの最適化を行うことが研究目的であった．実際にこれらを行う準備として，予測に用いられた入力特徴の貢献度がどの程度運行ルート最適化に対して有効かを調査する実験を行った．オンデマンドバスの乗車リクエストに関するデータが少ない場合は，十分な予測精度が期待できないと考えられる．そのため本研究では，サービスを行う上でどの程度の予測精度があれば，将来需要を考慮した経路最適化が有効であるかを調べ，それに基づいて予測を利用するかどうかを選択した．さらに本研究では，十分な予測精度が得られない場合に，予測モデルの解釈性を活用することで時間コストの削減を試みた．予測結果が何を根拠に出力されているのかがわかれば，それをもとに予測結果が信頼できるかどうかを判断できる．特定の入力に対する予測結果の根拠を調べる手法として局所的解釈手法が存在し，その代表的な例として，SHapley Additive exPlanations(SHAP)が挙げられる．SHAPは，ゲーム理論におけるShapley値の概念を機械学習モデルに適用した手法で，ある入力変数の数値が既知のときと未知のときの出力値の差分からその変数の貢献度を求めるものである．本研究では，この局所的解釈手法を予測モデルに適用し，予測結果に対する各入力の貢献度を求め予測結果に対する信頼性を推定した．実験では信頼性の低い予測結果を排除することで時間コストのさらなる削減を実現できることを示した．