KDDJun, 2018

辅助信息深度序列学习的交通预测

PDF
TL;DR本研究中，提出了一种编码器 - 解码器序列学习框架，通过适当集成三种隐含但本质的因素来提高交通预测的准确性：离线地理和社会属性、道路交叉口信息和在线人群查询。对来自百度的真实数据集的定性和定量实验验证了我们框架的有效性。
traffic predictionencoder-decoder sequence learningoffline geographical and social attributesroad intersection informationonline crowd queries
发现论文，激发创造
  • 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

  • 交通场景的深层表示学习与聚类

    本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

    Jul, 2020

  • 城市交通拥堵预测的可扩展深度流量神经网络

    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

  • 基于图的轨迹预测与合作信息

    使用合作信息进行自动驾驶的轨迹预测，提出了一种基于图神经网络的体系结构，能够有效地提高网络性能并处理不准确的合作数据。

    Oct, 2023

  • 基于 Transformer 序列到序列模型的城市道路网络中使用 NLP 实现的轨迹映射匹配

    使用基于变压器的编码器 - 解码器模型，将噪声 GPS 数据转化为城市道路网络上的导航路线，大规模地理定位遥测数据对于增强智能城市的移动基础设施和操作系统具有巨大潜力。

    Apr, 2024

  • TrafficPredict: 面向异构交通行为的轨迹预测

    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

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023

  • 基于数据驱动建模的城市交叉口交通拥堵预测

    通过商用车辆行程记录数据集，该研究旨在开发预测模型，用于美国主要城市交叉口的交通拥堵，包括正交坐标、街道名称、时间和交通指标等特征，并结合其他特征如降雨 / 降雪百分比、距离市中心和市郊的距离以及道路类型，通过数据探索、特征转换和处理缺失值的方法，提出的模型有助于帮助城市规划者和政府预测交通热点，优化运营，识别基础设施问题。

    Apr, 2024

  • 走向更精确的移动蜂窝流量预测之路

    本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

    May, 2023

  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021