不確実性を考慮した駐車予測のためのベイズ的シンボリック統合

要旨: 正確な駐車可能性の予測は、インテリジェント交通システムにとって重要ですが、現実の導入ではしばしばデータの疎性、ノイズ、そして予測困難な変化に直面します。これらの課題に対処するには、正確であるだけでなく不確実性を考慮できるモデルが必要です。本研究では、不確実な環境における頑健性を高めるために、ベイズニューラルネットワーク（BNN）と記号推論を統合する、疎結合のニューラル・記号（neuro-symbolic）フレームワークを提案します。BNNは予測の不確実性を定量化し、決定木から抽出され、確率論理プログラミングを用いて符号化された記号的知識は、2つのハイブリッド戦略で活用されます: (1) BNNの確信度が低い場合に、記号推論をフォールバックとして用いること、(2) BNNを再適用する前に、記号制約に基づいて出力クラスを洗練（リファイン）すること。全ての予測ウィンドウに対して、完全、疎、かつノイズがあるという条件下で、実世界の駐車データにより両戦略を評価します。その結果、いずれのハイブリッド手法も記号推論単独を上回ることが示され、文脈リファインメント戦略は、すべての予測ウィンドウにおいて長短期記憶（LSTM）ネットワークおよびBNNのベースラインを一貫して上回りました。本研究の知見は、不確実性に影響されやすい実世界の予測タスクにおいて、モジュール化されたニューラル・記号統合が持つ可能性を示しています。