KDDAug, 2021

COVID-19 疫情前后的车位使用行为预测和分析

PDF
TL;DR本文提出了一种基于空间连接图建立和时空预测的空间感知停车预测框架，通过对宁波市停车数据的案例研究，结果表明我们的方法在停车占用预测方面优于基线方法，特别是在 COVID-19 等高时间不规则性情况下，强调了建模停车行为预测中空间依赖性的重要性。
parking demandspatial correlationforecastingcovid-19travel behaviors
发现论文，激发创造
  • 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

  • 针对鲁棒性能量预测的持续学习越界时空数据

    本研究探讨了在流行期间建筑能源使用的预测方法，使用在线学习和人类迁移数据作为新的预测方法，以适应变化的入住模式，并在六个建筑上进行了广泛的实验。

    Jun, 2023

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

    Mar, 2018

  • 使用时空图神经网络检查 COVID-19 预测

    本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

    Jul, 2020

  • 利用时空建模预测短期 Uber 需求：纽约市案例研究

    本文探究了骑乘服务的需求和推断模式。结果表明，需考虑的空间模式为出租车需求在纽约市场上具有重要影响。

    Dec, 2017

  • 基于时空学习的动态环境下未来占据栅格的预测

    我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

    May, 2022

  • 利用人类流动数据理解 COVID-19 大流行对交通行为的影响

    本研究使用百度地图大数据分析了 COVID-19 疫情期间人们的交通出行偏好，包括交通行为方式、出行场所类型、场所停留时间、出行距离和出行路线，提出了针对性较强的疫情防控建议和政策。

    Feb, 2022

  • 出租车需求预测的深度多视图时空网络

    该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

    Feb, 2018

  • 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

  • 面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

    该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

    Sep, 2023