Nov, 2019

面向城市停车位可用性预测的半监督分层递归图神经网络

HTML
PDF
TL;DR本研究提出了一种半监督分层循环图神经网络（SHARE），用于预测城市停车位，该模型采用层次图卷积结构来建模停车场之间的非欧几里德空间自相关性，并采用循环神经网络来整合停车场的动态时间依赖性。经过两个真实世界数据集的实验证明，SHARE的预测性能优于七种最先进的基线。
发现论文，激发创造
  • 基于深度卷积神经网络的停车位空位指示系统

    本文提出了一种基于深度卷积神经网络的稳健检测算法，该算法被实现并测试于大型基准数据集以及已安装在停车场内的图像源，并开发了完全功能的系统，从服务器端图像分析到前端用户界面以证明该方法的实用性，其关键词包括停车管理系统、空位指示服务、视觉检测方法、深度卷积神经网络、图像分析。

    Jun, 2016

  • 使用卷积神经网络实现自动停车位检测

    使用计算机视觉技术和卷积神经网络，实现了停车场空位实时分类和占用检测，准确度为99％，结果表明该系统在不同停车场环境中具有很好的鲁棒性。

    Jun, 2021

  • 预测驱动的一次性动态停车定价

    本文提出了一种基于预测的优化框架，使用深度学习技术和神经普通微分方程（NODEs）设计预测模型，以预测停车场的占用率和价格信息，并使用一次性价格优化方法来优化预测模型使用的价格输入，以实现针对性的停车栏目占用率，实验证明该模型准确率高于其他模型，并且该一次性优化方法搜索时间较少且始终返回最优价格解。

    Aug, 2022

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    本文提出了一种新的空间-时间神经网络框架ASTGCRN，其中包括图卷积循环模块GCRN和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

    Feb, 2023

  • 街边停车推荐：基于异构图的排序算法

    本文提出了一种基于learn-to-rank模型和异构图的方法，自动推荐出直接可用的停车位，实现了实时停车信息的提供。在香港和旧金山的试验中表现出了不错的性能。

    Apr, 2023

  • 停车场占用检测中深度学习方法的修订

    该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于EfficientNet体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

    Jun, 2023

  • 深度单模型与集成模型：加速部署停车监控系统的洞察

    通过在公共场所收集和标记大量停车场图像，使用深度学习方法训练具有融合策略和集成方法的全球性框架，我们发现在不同情境中，这样的模型可以达到95%的准确率，从而实现无需数据标注和模型训练的停车场监控系统。

    Sep, 2023

  • 使用分解图神经网络进行卡车停车使用预测

    通过区域时间图神经网络对整个州进行车辆停车位置使用预测，提高了预测准确性和性能，解决了卡车停车位不足、违规停车和安全问题。

    Jan, 2024

  • 利用Transformer模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024

  • 基于跨领域数据的新加坡停车位可用性预测：一种基于数据驱动的方法和新数据集

    通过新数据集和深度学习框架，该研究旨在集体预测未来的新加坡停车可用性，以减少交通拥堵问题。

    May, 2024