Bayesian Models for Spatiotemporal Data from Transportation Networks
Héctor Rodríguez-Déniz · Linköping studies in statistics · 2023
POPULÄRVETENSKAPLIG SAMMANFATTNINGUrbaniseringen har orsakat en historisk förändring på en global skala, och mänskligheten går mot ett uppkopplat globalt nätverkssamhälle där städer kommer att koncentrera befolkning, infrastruktur och ekonomisk aktivitet.Ett nyckelelement i städernas infrastruktur är transportsystemet, eftersom det underlättar rörligheten av människor och varor.Transportsystem genererar ständigt data från t ex.GPS, sensorer och kameror, och den statistiska modelleringen är utmanande på grund av systemets komplexa struktur och dynamik, samt dess naturliga osäkerheter.I denna avhandling utvecklar vi Bayesianska modeller med tillämpningar för transporter.Vi fokuserar specifikt på modeller som kan tränas på spatiotemporala data från transportnätverk för att göra prediktioner av t ex.bussförseningar eller verklig nätverkstopologi.Särskild uppmärksamhet har ägnats åt modellskalbarhetsfrågor och kvantifiering av osäkerhet.Vi har använt data från riktiga transportsystem i varje studie för att skapa en balans mellan statistisk korrekthet, praktiskt tillämpbarhet och vetenskaplig höjd.Avhandlingen består av fyra artiklar.Den första artikeln presenterar en probabilistisk latent nätverksmodell för att prognostisera dynamiska grafer med multipla lager.Modellen använder stokastisk blockmodellering för att minska beräkningsbördan, och illustreras på ett datamaterial bestånde av tio års data från fyra stora flygbolag inom det amerikanska lufttransportsystemet.I den andra artikeln utvecklar vi en robust modell för realtidsprognoser av bussförseningar genom att använda Student-t fördelning och vi visar hur Bayesiansk inferens ger en naturlig kvantifiering av osäkerhet i en mycket stokastisk miljö.Experiment utförs med hjälp av högfrekventa data från bussar i Stockholm.Den tredje artikeln visar potentialen hos fler-dimensionella Gaussiska processer för att generera nätverksövergripande prediktioner av trafikflöden i en tätortsmiljö.Vi utvecklar en responsiv onlinemodell baserad på en co-regionaliserad kovariansstruktur och utvärderar prognosförmåga på verkliga data från GPS-utrustade taxibilar.Slutligen föreslår vi en ny regularisering av den vektorautoregressiva modellen via en nätverksbaserad variabelsselektionsprior, och presenterar en fallstudie på verkliga data över förseningar i kommersiell flygtrafik där vi utvärderar prediktiv förmåga och analyserar nätverksmönster för hur förseningar sprids mellan flygplatser.iv I express my gratitude to my supervisor, Mattias Villani, for his patience and support over the years since the very beginning of this journey.Learning the know-how of Bayesian modeling with him has been a privilege.I am grateful for his persistence in going beyond the call of duty to get the most out of every model and paper.Many thanks also to my co-supervisor, Augusto Voltes-Dorta, for useful discussions and support.The Division of Statistics and Machine Learning (STIMA) and the Department of Computer and Information Science (IDA) provided a nice and stable academic environment that I have really enjoyed.I am particularly grateful to Oleg Sysoev, José Peña, Jolanta Pielaszkiewicz and Fredrik Lindsten for their advice and support.The administrative staff in general, and Anne Moe and Karin Baardsen in particular, have done an excellent job throughout my studies.I also acknowledge the Knut and Alice Wallenberg