基于迁移学习的有限训练数据下高效交通预测
本文介绍了在预测实际交通时检测和纠正异常值对深度序列模型的影响,探究了多个模型在异常数据预测方面的表现,实验结果表明 LSTM-En-De(长短时记忆编码器 - 解码器)是最佳的预测模型,并能通过清除异常值降低预测误差。
May, 2022
基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集,设计了基于卷积神经网络(CNN)和循环神经网络(RNN)的两种主要深度学习架构,并在不同训练条件下进行了测试。使用知识迁移学习(KTL)技术改进模型性能并降低计算资源需求,模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计,并应用两种前沿可解释人工智能技术来解释得出的学习模型。
Oct, 2023
TrafficTL 是一种跨城市交通预测方法,使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测,并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明,TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。
Mar, 2023
基于卷积神经网络(CNNs)和长短期记忆(LSTM)深度学习架构,利用基于元胞自动机的统计力学模型预测交通流量,并通过观察统计力学模型的归一化能量分布的尺度不变性,采样模拟数据来生成大规模交通系统的训练和测试数据,结果显示预测与真实交通流动态之间存在良好的一致性。
Mar, 2024
提出了一种基于 LSTM 的深度学习方法,用于事件驱动的源流量预测,该方法可以有效地预测机器类型设备的传输状态,较现有基准解决方案具有更高的资源节约和准确性。
Jan, 2021
本研究对基于扩散卷积循环神经网络的高速公路网络预测进行了转移学习,从而可以通过少量数据预测未知区域的交通情况,并在加利福尼亚高速公路网络上进行了测试。
Apr, 2020
本研究提出了一个建筑物之间的迁移学习框架,以应对建筑物限制性和稀缺数据的深度学习预测问题,并将其应用于基于 Transformer 模型的精确负荷预测。结果表明,相比传统深度学习方法,所提出的方法提高了 56.8% 的精度,且准确率优于其他深度学习模型。
Jan, 2023
本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题,该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式,并在真实数据集上验证了其有效性。
Jul, 2022
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
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