基于知识图谱的低可预测性个体可能目的地探索
本文提出了一种基于数据驱动和改进传输模式的关系模型的流模型,名为MOHER,用于预测新计划站点的潜在人流量流向及其不同的交通运输模式,并在真实数据集上进行的实验证明了MOHER的优越性。
Jan, 2021
本文利用空间—时间城市知识图谱中的移动轨迹,特定地点类别信息及时间信息,设计了一个模型,旨在解决基于知识图谱技术的用户的远期移动预测问题,提高了预测精确度。同时,对POI类别作为背景知识和辅助信息的实验结果表明,可帮助提升预测精度。
Nov, 2021
提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架(MPGCN),该框架从定点巴士记录数据中提取人类移动知识,以预测巴士乘客流量和优化路线,实验结果表明该方法具有潜在的实际应用价值。
Feb, 2022
本文提出了一种基于图神经网络和注意力机制的乘客OD流量预测框架,通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据,预测乘客的OD流量,同时确定覆盖道路网络的网格单元的最佳大小,得到较优的预测效果。
Jan, 2023
现代交通规划依赖于准确的人员和车辆出行预测,本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力,利用全国家庭交通调查数据集,开发并训练了一个深度学习模型,取得了98%的人员出行预测准确率和96%的车辆出行估计准确率,从而显示了深度学习在这个领域的优势。
Aug, 2023
本研究旨在开发一种精确的模型,通过捕捉旅行数据中的序列模式和依赖关系,实现对个体旅行者未来目的地的准确预测,为现代交通运输行业带来多重益处,并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。
Jan, 2024
本文介绍了一种新的框架:Simple Spatio-Temporal Knowledge Graph (SSTKG),用于构建和探索时空知识图谱。通过新的三步嵌入方法,将时空数据整合到知识图谱中,输出嵌入可用于未来时间序列预测和空间信息推荐,提供了对零售销售预测、交通量预测等多种应用的有价值的洞察。该框架简单而全面,能够增强预测的准确性和推荐的相关性,为知识图谱中时空数据的更有效利用铺平了道路,对多个领域具有潜在的影响。
Feb, 2024
本研究解决了乘客行为预测中的现有方法忽略乘客与站点之间相关性的的问题。提出的DyGPP模型通过动态图捕捉乘客行为的复杂演变,利用时间序列数据有效捕捉个体和交互的时间模式。实验结果表明,DyGPP在行为预测任务中优于当前模型,具有显著的应用潜力。
Aug, 2024
该研究针对城市轨道交通(URT)网络在运营不确定性下的需求预测问题,提出了一种名为多图诱导表示学习(mGraphSAGE)的起止点需求预测模型。研究表明,利用多个图形且考虑运营不确定性(如列车延误和取消)可以显著提升需求预测的准确性,并在不同规模的URT网络中验证了该模型的有效性,尤其在不确定性条件下其表现超越了传统机器学习方法。
Aug, 2024