Методы анализ траекторий

В настоящее время, алгоритмы, основанные на деревьях принятия решений являются одними из популярных на практике — начиная от различных соревнований, заканчивая использованием в бизнесе. Такие подходы стали одними из тех методов, которые используют исследователи в первую очередь при решении задач машинного обучения. Однако, такие модели не поддерживают автоматического обучения на структурированных данных, что приводит к необходимости создавать атрибуты самостоятельно. В данной работе представлен подход, основанный на деревьях решений, который позволяет обучаться на пространственных данных без необходимости разрабатывать дополнительные характеристики. Подход позволяет построить дерево решений траекторий на основе набора данных с различными траекториями движения. В работе детально описан алгоритм построения такого дерева. Кроме того, на основе деревьев описан алгоритм построения леса деревьев траекторий. Так как, рассматриваемые подходы используют только данные траекторий, предложено два способа использовать мета информаций: stacking и раздельное обучение на класерах с похожими траекториями. Все модели реализованы на языке Python и протестированы на реальных данных, где целевой переменной была конечная точка поездки такси. Кроме того, представленные методы сравнены с другими известными алгоритмами. Качество предсказания можно считать достаточным и сравнимым с качеством популярных моделей. Более того, случайный лес с раздельным обучением дал лучший результат на локальной тестовой выборке. Полученные результаты показывают, что предложенный подход достоин использования на практике и дальнейшего обсуждения. Кроме того, в работе представлены потенциальные направления улучшения алгоритмов.