Feb, 2018

DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

PDF
TL;DR本文提出一种基于深度神经网络的辅助监督模型 DeepTravel，能够自动提取不同特征并充分利用轨迹数据的时间戳，通过在真实数据集上的全面实验，证明了 DeepTravel 相对于现有方法的卓越性能。
travel timesmart urban mobilitydeep neural networkstemporal labelstrajectory data
发现论文，激发创造
  • 无需道路网络的交通时间估计：一种城市形态布局表示方法

    本文提出了一个基于深度学习的多任务深度神经网络模型 Deep Image to Time (DepthI2T)，利用城市景观照片中的建筑环境信息，实现了旅行时间的准确预测，成为旅行时间估计领域最新的 state-of-the-art 算法之一，该算法适用于多种路径情况，具有重要的智慧城市应用价值。

    Jul, 2019

  • DeepTransport: 学习交通状况预测的时空依赖关系

    提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

    Sep, 2017

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计

    通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

    Jan, 2022

  • 基于多任务弱监督学习的起点终点旅行时间估计

    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

  • 探索深度学习方法预测人员和车辆出行情况：基于 NHTS 数据的分析

    现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

    Aug, 2023

  • 物流、图形和变形器：改进旅行时间估计

    本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

    Jul, 2022

  • DETECT: 基于深度轨迹聚类的行动轨迹分析

    本文提出了一种基于无监督神经网络的移动行为聚类方法（DETECT），通过考虑移动行为的地理位置、采用嵌入式特征提取，进而实现在行为潜在空间内的聚类分析，得到了令人满意的实验结果。

    Mar, 2020

  • 深度网络与树模型的互补融合在 ETA 预测中的应用

    本研究论文提出了一种基于树模型和神经网络集成的新型 ETA（预计到达时间）估计方法，并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。

    Jul, 2024

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

    Aug, 2023