(蓝色) 出租车部分轨迹上的目的地和行程时间预测
本文介绍了我们基于神经网络使用自动化方法的解决方案,获得了 381 个团队中 ECML/PKDD 发现挑战赛优胜。我们预测了出租车行驶的目的地,输入是由 GPS 点、出发时间、司机 ID 和客户信息组成的变长序列。我们的方法可以方便地应用于其他预测固定长度输出的变长度序列问题中。
Jul, 2015
利用出租车轨迹数据,提出一种简单的行程预估基准方法,可以用于导航和行程规划等多个领域,其效果优于现有的大规模实验平台(如 Bing Maps 和百度地图)的状态 - of-the-art 方法。
Dec, 2015
本文提出使用联邦学习在保护数据隐私和安全的同时,实现出租车需求预测,包括类别不平衡、数据稀缺等技术上的挑战,并通过地理编码、代价敏感学习和正则化等技术来提高预测精度。在 16 个租车服务提供商的真实世界数据集上,显示该系统相对于单个集成数据训练的模型可以精确预测出租车需求级别实际误差达到 1%,同时有效抵御了针对乘客数据的成员推断攻击。
May, 2023
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
本文提出一种基于道路网络的 OD 行程旅行时间估计方法,结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术,提出了多任务弱监督学习框架,该框架同时针对路段和交叉口优化期望对数似然函数,从而解决了 GPS 轨迹缺失的问题,实验验证了该方法对旅行时间估计和路线恢复的有效性。
Jan, 2023
城市交通正在发生转变,通过共享、连接和协作的自动驾驶车辆的出现。然而,为了被顾客接受,对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统,利用分别针对停留时间和行驶时间的模型,并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外,我们还探索了使用图神经网络(GNN)集成空间数据的好处。为了准确处理穿梭车跳过站点的情况,我们提出了一个分层模型,组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的,在预测多站点时也显示出较低的错误率。然而,并无一种单一模型在各方面都表现出优势,我们提供了影响模型选择过程的试点站点特征的见解。最后,我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解,并为领域的进一步发展铺平了道路。
Jan, 2024
本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型,能够利用公交车的位置信息和空间特征预测其到站时间,针对有交叉口和无交叉口两种空间情境下的公交路线进行预测,结果表明该模型比其他模型表现更优,可在以及其他交通基础设施有限的类似城市中推广。
Oct, 2022
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022