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
本文提出了一种基于卷积神经网络的方法,将交通数据通过二维时间空间矩阵转化成图像进行处理,并预测大规模网络流量,实验结果表明该方法在处理大规模交通网络数据方面表现出较高的准确性。
Jan, 2017
用卷积神经网络和航拍图像来自动估算道路段的自由流速度。
Jun, 2019
本研究旨在结合 U-Net 架构与图层操作,以提高交通数据预测的精确度和空间泛化能力。模型表现证明了该方法比基础 U-Net 更适用于预测不同道路网络的交通状况。
Feb, 2022
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
本研究提出了一种利用颜色编码方案对交通视频进行分类的方法,并使用深度卷积神经网络进行训练,通过实验得到 98.2% 的分类准确率。
Sep, 2022
本文提出了一种基于视觉信息的众包模拟模型(VID),该模型通过使用先前的社会视觉信息和个体的运动数据来预测行人下一时间步的速度。通过测试该模型在具有不同几何结构的三个公共行人运动数据集上,结果显示该模型在适应不同几何情景方面的能力得到了提升,证明了所提出方法在增强数据驱动人群模型的适应性方面的有效性。
Nov, 2023
本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法,针对复杂的市区情景进行预测,通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。
May, 2017
使用稀疏 GPS 数据点及其相关的地形和道路设计特征,我们在缺乏交通数据的区域提出了一个解决方案来预测速度。通过创建一个基于地形聚类道路的以时间为导向的速度字典,我们展示了对新的和标准回归方法的定性和定量改进。这个框架为缺失数据交通分析提供了全新的视角。
Feb, 2024
本文提出了一种新型卷积神经网络架构,用于估计地理空间函数,并使用各种标签创建了一个大型数据集进行评估。
Aug, 2017