«`html
AI в транспортном управлении и градостроительстве
В управлении транспортом и градостроительстве возможность изучения оптимальных маршрутов из демонстраций с учетом контекстных особенностей обещает значительные перспективы. Этот метод основан на предположении, что агенты стремятся оптимизировать латентные издержки при навигации от одной точки к другой.
Практические решения и ценность
Инверсное обучение с подкреплением возникло как популярная техника для изучения издержек, связанных с различными маршрутами или переходами из наблюдаемых траекторий. Однако традиционные методы часто упрощают процесс обучения, предполагая линейную латентную стоимость, что может не учитывать сложности реальных сценариев.
В ответ на эти вызовы, недавнее исследование предлагает новый метод, позволяющий изучать латентные издержки по наблюдаемым траекториям путем их кодирования в частоту наблюдаемых коротких путей. Этот подход использует алгоритм Флойда-Уоршелла, который известен своей способностью решать задачи кратчайших путей всех к точке в один шаг.
В целом, предложенная методология облегчает изучение латентных издержек и доказывает свою эффективность в прогнозировании вероятных траекторий и выводе вероятных пунктов назначения.
Заключение
Если вы хотите, чтобы ваша компания развивалась с помощью искусственного интеллекта (ИИ) и оставалась в числе лидеров, грамотно используйте DataSP: A Differentiable All-to-All Shortest Path Machine Learning Algorithm to Facilitate Learning Latent Costs from Trajectories.
Для более подробной информации ознакомьтесь с статьей.
«`
