WWWFeb, 2019

城市交通量推断的稠密和不完整轨迹联合建模

PDF
TL;DR本文提出了一种新的城市交通量推断框架，使用探测器和摄像头捕获到的密集 GPS 轨迹以及不完整轨迹，结合高保真交通模拟器和深度强化学习方法从不完整轨迹中恢复完整车辆行驶轨迹，并通过构建时空图和多视图图嵌入模型，推断未监测到的道路交通量。实验结果表明，该方法在中国省会城市的两个大区域中表现出了较高的准确性。
real-timetraffic volume inferencegps trajectoriescamera surveillance systemsdeep reinforcement learning
发现论文，激发创造
  • 基于时空深度学习的高速公路交通量预测

    通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

    Aug, 2023

  • TraPHic: 基于加权交互的稠密异构交通轨迹预测

    本研究提出了一种新算法，使用 LSTM-CNN 混合网络来预测道路交通视频中不同车辆代理的不同轨迹，相较于现有算法，我们考虑了不同代理相互作用的多样性，还考虑了基于地平线视野的交互，效果比现有算法提高了 30%。

    Dec, 2018

  • Tel2Veh: 融合电信数据和车辆流量的时空框架用于预测无需摄像头的交通

    使用移动通信流量数据预测车辆流量，通过提取特征并将其与图神经网络结合，使得在没有摄像头的区域能够预测车辆流量，为交通管理提供了解决方案。

    Mar, 2024

  • Traffic-Net: 使用单个摄像头进行 3D 交通监控

    本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

    Sep, 2021

  • VisionTraj：基于大规模摄像机网络的抗噪轨迹恢复框架

    本文提出了 VisionTraj，一种基于学习的模型，可以从道路网络摄像机记录的快照重建车辆轨迹，并通过引入神经网络和 GCN-based 软去噪模块以及轨迹信息提高建模效果。实验结果显示，VisionTraj 相较于其他模型有最大 11.5％的改进。

    Dec, 2023

  • 从部分观测推断不确定轨迹

    本研究介绍了一种名为 InferTra 的技术，可以从网络约束的部分观测中推断出不确定的轨迹，该技术采用了基于图形的方法，展示了所有可能的轨迹，并在实验中证明比现有技术更准确，快速且功能更强大。

    Mar, 2016

  • 隐式潜变量模型用于场景一致运动预测

    本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

    Jul, 2020

  • 基于异构图的轨迹预测：局部地图环境和社交互动

    利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

    Nov, 2023

  • 交通中轨迹预测的快速无地图模型

    该研究提出了一种高效的轨迹预测模型，不依赖于交通地图，通过在两个阶段中综合应用注意机制、LSTM、图卷积网络和时间变换器等技术，编码了单一代理的时空信息，并探索了多个代理之间的时空交互信息，实现了比现有无地图方法更高的性能，并超过了 Argoverse 数据集上大多数基于地图的最先进方法，同时也具有比基准方法更快的推理速度。

    Jul, 2023

  • 使用混合深度神经网络从不完整数据中学习时空特征进行交通流预测

    本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

    Apr, 2022