GPTT

در مطالعات حمل‌ونقل معمولاً برای هر پیش‌بینی یک مدل یادگیری ماشین جدا ساخته می‌شود: یکی برای انتخاب وسیله، یکی برای هدف سفر، یکی برای مقصد و یکی برای برآورد تقاضا. این مدل‌ها در کار خودشان خوب‌اند، ولی از الگوهای مشترکی که بین جنبه‌های مختلف رفتار سفر آدم‌ها هست استفاده‌ای نمی‌کنند.

هدف این پژوهش که هنوز ادامه دارد ساختن یک مدل پایه‌ی حمل‌ونقل است: مدلی که یک بازنمایی مشترک از داده‌های حمل‌ونقل یاد بگیرد و با همان، چندین پیش‌بینی را در یک معماری یادگیری عمیق انجام بدهد. به‌جای آموزش یک مدل مستقل برای هر مسئله، می‌خواهیم یک مدل یکپارچه داشته باشیم که رابطه‌ی میان ویژگی‌های مسافر، مشخصات سفر و سیستم حمل‌ونقل را بفهمد.

در این چارچوب، معماری‌های مبتنی بر ترنسفورمر، یادگیری بازنمایی و یادگیری چندوظیفه‌ای بررسی می‌شوند تا embeddingهایی ساخته شود که در کاربردهای گوناگون حمل‌ونقل دوباره به کار بیایند. چشم‌انداز بلندمدت این است که یک مدل بتواند انتخاب وسیله، تولید سفر، انتخاب مقصد، دسته‌بندی هدف سفر، برآورد تقاضا و کارهای مشابه را پیش‌بینی کند، بی‌آن‌که برای هر کدام مدل جدایی لازم باشد.

مدل با یاد گرفتن از داده‌های متنوع و به اشتراک گذاشتن دانش میان این کارها، قرار است دقت پیش‌بینی را بالا ببرد، هزینه‌ی آموزش را کم کند و پایه‌ای انعطاف‌پذیرتر برای کاربردهای آینده‌ی حمل‌ونقل هوشمند باشد.

این پژوهش هنوز در دست انجام است. هر چه جلوتر برود، اطلاعات بیشتری درباره‌ی معماری مدل، روش آموزش، ارزیابی‌ها و یافته‌ها در همین سایت منتشر می‌شود.