Aktivitní plánovač pro multiagentní aktivitní modely dopravy řízený daty

Abstract

Multiagentní modelování založené na aktivitách se používá k simulaci dopravny. Tento druh modelování modeluje dopravu velkým počtem jednoduchých agentů, kteří interagují mezi sebou. Každý agent se chová podle svého rozvrhu: sekvence aktivit. Existuje mnoho implementací multiagentního modelu, které jsou založené na expertním přístupu. Neexistuje však žádná implementace, která by byla čistě datově řízená. V této práci se zkoumá možnost využití rekurentních neuronových sítí (RNN) k modelování agentova chování. V této práci používám RNN s LSTM bloky (LSTM-RNN) ke generování sekvencí aktivit, kde každá vlastnost aktivity je pravděpodobnostně modelovaná. Tato LSTM-RNN je navržena jako síť modelující pravděpodobnostní směsi (MDN přístup). V této práci porovnávám tři různé způsoby pravděpodobnostního modelování časových vlastností: pravděpodobnostní funkcí, normální směsí a beta směsí. V této práci je také představená "načítací sekvence", která pro každého agenta načítá možné destinace jejich cest. Nakonec, rozvrhy vygenerované LSTM-RNN jsou validované validačním nástrojem VALFRAM.

Multi-agent activity-based models solve transportation forecasting problems. Activity-based models model a transportation system with a large number of interacting simple agents. Each agent behaves according to its schedule: sequence of activities. Every activity contains its type, transport mode and spatio-temporal information. There are many implementations of activity-based models that use expert-system approach, but there has been none that is purely data-driven. This work explores the possibility of using a recurrent neural network (RNN) as scheduler. I use an RNN with LSTM blocks (LSTM-RNN) to generate a sequence of activities where each activity feature is probabilistically modeled by selected probability function. The LSTM-RNN is combined with the mixture density network (MDN) approach so it is possible to model features with probability density functions. I compare three different probabilistic functions to model temporal features: mass density function, Gaussian mixture and beta mixture. This work presents a loading sequence which loads possible trip destinations for each agent. Finally, the schedules generated by the LSTM-RNN are validated by the Validation Framework for Activity-based Models (VALFRAM).