应用于出租车目的地预测的人工神经网络
本文介绍了基于集成学习和行程匹配的实时出租车目的地和车程时间预测方法。该方法利用约 1.7 百万出租车行程数据集中的模式,有效地预测了正在进行的出租车行程的相应最终目的地和旅行时间,是 ECML/PKDD Discovery Challenge 2015 竞赛中最强大的解决方案之一。
Sep, 2015
通过应用图神经网络捕捉城市环境中的空间依赖性和模式,本研究提出了一种新颖的出租车需求预测系统。该系统采用区域中立的方法,利用变分自编码器将输入特征分解为区域特定和区域中立的组件,以实现跨区域出租车需求预测并推广到不同城市区域。实验证明了该系统在准确预测出租车需求方面的有效性,甚至在以前观察不到的区域,从而展示了其优化出租车服务和提高交通效率的潜力。
Oct, 2023
本研究旨在开发一种精确的模型,通过捕捉旅行数据中的序列模式和依赖关系,实现对个体旅行者未来目的地的准确预测,为现代交通运输行业带来多重益处,并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。
Jan, 2024
该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架,用于在城市的出租车运营中预测需求,包括空间和时间相关性,并借助大数据的支持,提高了交通预测问题的效果。
Feb, 2018
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017
规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略,然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法,发现它在现实基准实例上比独立学习的策略提高了最多 20%,比普通的进化算法方法提高了最多 53%。
Feb, 2024
本文提出了一种基于 Contextualized Spatial-Temporal Network(CSTN)的出发地 - 目的地预测模型,其中包括 LSC 模块、TEC 模块和 GCC 模块,主要用于预测出未来时间间隔内的各个区域之间的出租车需求情况,并且在大规模数据集上的实验证明了 CSTN 模型具有很好的预测性能。
May, 2019
本文提出了一种基于机器学习的方法,以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明,我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈,包括总量和时间分布,这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点(POI)数据和在线车辆数据获取城市功能分布信息和车辆行驶时间(VHT)信息。选择了预测性能最好的人工神经网络(ANNs)。通过使用不同地区收集的数据集进行相互预测,并将预测结果重新映射到地图上进行可视化,我们评估了计算模型在不同地区的使用程度,以减轻未来城市研究人员的工作负担。最后,我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用,并与遗传算法相结合来优化当前城市环境的状态,为设计师提供建议。
Nov, 2023
本文探讨了适当选择网格化策略对于时空出租车需求供给建模框架的重要性,并使用印度孟买和美国纽约的出租车需求供应 GPS 数据比较了变尺寸多边形基础的 Voronoi 网格和固定尺寸的 Geohash 网格。通过使用 LSTM 神经网络模型,将邻居的空间信息纳入模型,我们发现利用基于变尺寸多边形网格的输入特征的 LSTM 模型表现更好,这表明需要探索多种空间划分技术以提高神经网络模型的预测性能。
Dec, 2018
本文介绍了一种用于运输网络中估算出发时间的图神经网络模型,该模型使用了 MetaGradients 等算法优化方法,经过实际生产和现实情景分析的验证,在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高(最高达 40%)。
Aug, 2021