Dec, 2021

基于 Twitter 数据的印度道路交通事件描述 —— 无监督学习方法

PDF
TL;DR本文利用无监督学习模型利用 Word-embeddings 计算语义相似性对推特进行有效分类来增强印度交通数据的动态监测和预测。
dynamic monitoringpredictiontraffic dataunsupervised learningtweet classification
发现论文，激发创造
  • Traffic-Twitter Transformer: 基于自然语言处理的交通预测框架

    本文旨在通过将社交媒体功能纳入考虑范围，以提供一个灵活全面的框架，在交通强度和 Twitter 数据强度之间建立相关性，并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer，为长期交通预测提供自然语言表示。实验结果表明，这种纳入 NLP 的社交感知框架能够成为交通机构网络广泛预测和管理的有价值的实现。

    Jun, 2022

  • 走向更精确的移动蜂窝流量预测之路

    本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

    May, 2023

  • 辅助信息深度序列学习的交通预测

    本研究中，提出了一种编码器 - 解码器序列学习框架，通过适当集成三种隐含但本质的因素来提高交通预测的准确性：离线地理和社会属性、道路交叉口信息和在线人群查询。对来自百度的真实数据集的定性和定量实验验证了我们框架的有效性。

    Jun, 2018

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017

  • 一种基于图形的无感知估计道路交通特征的方法

    该研究提出一种通过检查拓扑特征来发现具有相似交通流量特征的交通路段的方法，该方法可以通过数据的合成来尽可能减少对交通监测所需的经济投入。研究还分析了几种基于此方法的数据生成方法，并与简单的流量估计方法进行了比较。

    Jan, 2022

  • 以语言形式学习交通事故：数据集，基准和假设性因果分析

    本研究在大规模交通事故语言数据集 CrashEvent 的基础上，利用大型语言模型 CrashLLM 提出了一种新的交通事故特征学习方法，从复杂的、非结构化数据中解析和学习，预测交通事故的类型、严重程度和受伤人数，并通过学习的推理特征为交通安全分析提供有价值的洞见。

    Jun, 2024

  • 交通场景的深层表示学习与聚类

    本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。

    Jul, 2020

  • 面向不确定环境的通用网络流量预测自适应框架

    利用时间序列分析为动态分配移动网络流量预测模型的新框架，通过选择性地使用学习行为相对于当前研究具有超过 50％的性能改进，并在无需对单个细胞具有先验知识的情况下超过传统方法；该框架通过无监督聚类识别独特趋势和季节模式，然后在每个聚类中应用监督学习进行流量量预测，使得不受空间和时间变化的惩罚，并且通过分析细胞的实时测量结果，智能选择最适合该细胞的聚类，使聚类分配根据时空波动的动态调整。

    Nov, 2023

  • 提取环路检测数据集的信息本质：网络级交通预测需要更多数据吗？

    提出了一种基于不确定性感知的交通预测框架，通过结合交通流理论和图神经网络的模型设计，在单次模型训练中能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明，从 2018 年到 2021 年，白天超过 80% 的交通数据可以被删除，而剩余 20% 的样本对于训练模型具有相同的预测能力，从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

    Oct, 2023

  • 第一人称视角视频的无监督交通事故检测

    本文提出了一种基于未监督学习的方法，通过预测交通参与者未来位置并监测三种不同策略的预测准确度和一致性来检测仪表板安装的摄像头视频中的交通事故。实验结果表明，该方法优于最先进的方法。

    Mar, 2019