Nov, 2020

基于深度多任务多图学习的多模式打车需求联合预测

PDF
TL;DR本研究提出了一种深度多任务多图卷积学习方法，通过多个多图卷积神经网络对不同服务模式的需求进行预测，并建立多任务学习模块来实现跨网络知识共享，从而更好地实现车辆资源的分配和调度。在曼哈顿的出租车数据集上进行评估，结果表明我们的方法在不同出行方式的需求预测准确性方面优于基准算法。
ride-hailing platformsdemand predictionmulti-task learningmulti-graph convolutional networksvehicle allocation
发现论文，激发创造
  • 基于跨模态知识共享的自行车共享需求预测：一种基于图的深度学习方法

    本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

    Mar, 2022

  • 基于周期性偏移的打车需求预测的时空注意力多图卷积网络

    本文介绍了一种新的交通工具需求预测方法，采用 STA-MGCN 网络和考虑周期特征的数据集，取得了骑行需求预测的最佳性能，结合纽约、芝加哥和成都三个实际数据集的测试分析。

    Mar, 2022

  • 基于领域对抗图神经网络的自行车共享需求预测的跨模态知识适应

    本文提出了一种基于多模式历史数据的领域对抗多关系图神经网络（DA-MRGNN）来预测共享单车的需求和补给平衡，实验结果证明其相对于现有方法具有卓越的性能和不同模型组件的有效性，并且通过可解释性技术来解释预测结果。

    Nov, 2022

  • 城市时空预测中的多模态图交互和多图卷积网络

    本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。

    May, 2019

  • 基于深度多视角时空虚拟图神经网络的城市级出租车需求预测

    该研究提出了一种新的虚拟图建模方法和深度多视角时空虚拟图神经网络框架，以增强城市范围打车需求预测的空间动态学习能力和时间依赖性，实验证明该框架在细粒度预测场景中具有效力和优越性。

    Jul, 2020

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 基于多模态深度学习的交通流量预测的混合方法

    本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

    Mar, 2018

  • 概率众包 GAN：使用图形车 - 行人注意网络进行多模态行人轨迹预测

    本文介绍了一种使用概率多模式预测方法和社交影响建模的新型 GAN，可有效预测人群行为和行人意图，以达到更好的自动驾驶和移动机器人导航效果。

    Jun, 2020

  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 多模态单细胞数据集成的图神经网络

    本文介绍了一种名为 scMoGNN 的图神经网络框架，用于多模态单细胞技术数据的模态预测，模态匹配和联合嵌入，取得了 SOTA 的成果，并在 NeurIPS 2021 竞赛中获胜，所有实现都已整合到 DANCE 软件包中。

    Mar, 2022