基于深度学习的停车服务动态定价
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
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
该研究分析了城市交通通量与污染之间的相关性,并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量,使用每 10 分钟更新的交通数据和长短期记忆(LSTM)神经网络进行预测。
Sep, 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
研究探讨了气候因素对空气质量的影响,通过对比回归模型与 K-Means 聚类、层次聚类和随机森林技术来分析。我们使用基于物理学的深度学习 (Physics-based Deep Learning, PBDL) 和长短期记忆 (Long Short-Term Memory, LSTM) 方法来研究空气污染预测。分析使用了挪威三个主要城市 2009 年至 2018 年的每日交通、天气和空气污染数据。特征选择的结果显示,采暖度日增加与空气污染水平增加之间存在相关性,这表明挪威的采暖活动是空气质量恶化的一个因素。PBDL 方法在空气污染预测方面表现出较高的准确性,相较于 LSTM 方法更为优越。本文对于基于环境变量的 PBDL 方法进行更准确的空气污染预测的增长文献做出了贡献,有助于决策者制定有效的数据驱动型气候政策。
May, 2024
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
深度学习对电力价格产生影响,本研究探讨了预测误差如何传播到电力价格中,并揭示了拥挤电力系统中显著的定价误差及其空间差异。为了提高公平性,我们建议将电力市场结算优化嵌入深度学习层,通过这一层进行不同程度的预测和定价误差平衡,而不仅仅是最小化预测误差。该层能够隐含地优化公平性并控制系统中价格误差的空间分布。我们在风电预测和短期电力市场结算的交叉领域展示了价格感知的深度学习技术。
Aug, 2023
该研究提出了一种基于深度学习的新型空气质量(主要是 PM2.5)预测模型,该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征,并在两个实际数据集上进行了实验验证,表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。
Dec, 2018
通过使用最先进的深度学习模型,我们自动化了车辆入口和停车的过程,确保车辆和人员已在组织中注册,提供高效的车辆检测、精确的识别、简化的记录保留和优化的停车位分配,增强了便利性、准确性和安全性。
Dec, 2023