IJCAIJul, 2019

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

PDF
TL;DR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。
travel time estimationdeep neural modelbuilt environment imagesmulti-task learningsmart city
发现论文，激发创造
  • DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

    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。

    Feb, 2018

  • 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

  • 基于遥感的概率图像驱动交通建模

    用遥感图像直接建模时空交通模式的多模态、多任务变压器分割架构，包含地理时空位置编码模块和自然建模时间变化的概率目标函数，在 Dynamic Traffic Speeds (DTS) 数据集上显著提升交通模型的性能，并引入 DTS++ 数据集支持与移动相关的位置适应实验。

    Mar, 2024

  • 卫星影像中的城市级公路提取 v2：道路速度和行驶时间

    本文提出了一种基于 CRESIv2 方法的城市级别道路提取和路线计算方法，该方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用 SpaceNet 数据集的训练和测试数据时优于使用 OpenStreetMap 标签的方法 60% 以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标对算法的性能进行了评估。

    Aug, 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

  • 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

  • 来自空中图像的动态交通建模

    利用卷积神经网络，使用卫星图像数据实现基于时间和位置的城市交通流模型的自动生成，能够准确地建立城市级的交通模型。

    Dec, 2020

  • FlowMap: 交通流量下无人驾驶车辆的路径生成

    本文提出了一种基于交通流的路径生成框架 FlowMap，该框架可以为自动驾驶车辆生成人类模拟路径，并且可以在不使用高精度地图的情况下应对超级复杂的十字路口。

    May, 2023

  • 多图时空图卷积网络用于交通流量预测

    通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

    Aug, 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