通过时空深度学习方法,提出了一个用于高速公路上每日交通流量预测的新方法,该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题,并基于图卷积网络构建了不同语义的网络来捕捉时空特征,同时利用气象和日历特征在全连接阶段提取交通流量的外部特征,经过大量实验证明该方法较基准模型在预测准确性方面有明显提升,并在商业领域带来实际效益。
Aug, 2023
本文介绍了影响城市流量的四个主要因素,将多源空间时间数据的准备过程分为三组,选择了空间 - 时间动态数据作为案例研究城市流量预测任务,并详细分析比较了一些著名的和最先进的流量预测方法,最后提出了城市空间 - 时间流预测的挑战和未来的展望。
Aug, 2019
我们提出了一种名为 POI-MetaBlock 的新型模块,它利用每个区域的功能性(由 POI 分布表示)作为元数据,进一步挖掘具有不同功能区域的不同交通特征,可以轻松地集成到传统的交通流量预测模型中,并且明显提高了交通流量预测的性能,并优于使用元数据的最先进的方法。
Mar, 2023
利用时间序列分析为动态分配移动网络流量预测模型的新框架,通过选择性地使用学习行为相对于当前研究具有超过 50%的性能改进,并在无需对单个细胞具有先验知识的情况下超过传统方法;该框架通过无监督聚类识别独特趋势和季节模式,然后在每个聚类中应用监督学习进行流量量预测,使得不受空间和时间变化的惩罚,并且通过分析细胞的实时测量结果,智能选择最适合该细胞的聚类,使聚类分配根据时空波动的动态调整。
Nov, 2023
本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题,并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。
Mar, 2022
提出并研究了一个数据驱动框架,用于在全球范围和分段细粒度上识别交通堵塞函数(宏观交通变量观测之间的数值关系)。与为每个道路估计单独的参数集的方法相比,我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。
May, 2024
通过去中心化的深度学习方法,基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况,避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡,引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验,成果表明该方法成功预测了交通拥堵。
Mar, 2017
通过使用动态贝叶斯网络嵌入时变图形拓扑结构,应用图卷积神经网络进行交通预测,在实际数据集上验证提出方法的卓越性能。
Jun, 2023
提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict,通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性,应用于自动驾驶交通领域,较之先前的算法具有更高的准确性。
Nov, 2018
本文提出了一种新颖的动态图卷积神经网络,采用时空关注融合的方法,全面地模拟了长距离和多尺度的时空模式,取得了 22 种基线模型之外的最先进表现。
Feb, 2023