Jun, 2022

从稀疏轨迹估计行程时间和路径

PDF
TL;DR该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。
internet of thingstravel time estimationroute recoverysparse scenariosem algorithm
发现论文，激发创造
  • 基于多任务弱监督学习的起点终点旅行时间估计

    本文提出一种基于道路网络的 OD 行程旅行时间估计方法，结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术，提出了多任务弱监督学习框架，该框架同时针对路段和交叉口优化期望对数似然函数，从而解决了 GPS 轨迹缺失的问题，实验验证了该方法对旅行时间估计和路线恢复的有效性。

    Jan, 2023

  • 物流、图形和变形器：改进旅行时间估计

    本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

    Jul, 2022

  • 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计

    通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

    Jan, 2022

  • DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

    本文提出一种基于深度神经网络的辅助监督模型 DeepTravel，能够自动提取不同特征并充分利用轨迹数据的时间戳，通过在真实数据集上的全面实验，证明了 DeepTravel 相对于现有方法的卓越性能。

    Feb, 2018

  • GOF-TTE：面向出行时间估计的生成式在线联邦学习框架

    介绍了 GOF-TTE 移动用户群的生成式联邦学习框架，旨在利用联邦学习方法建立实时道路交通状态的模型，保护用户隐私并训练个性化的模型来预测路程的时间估计。

    Jul, 2022

  • 从部分观测推断不确定轨迹

    本研究介绍了一种名为 InferTra 的技术，可以从网络约束的部分观测中推断出不确定的轨迹，该技术采用了基于图形的方法，展示了所有可能的轨迹，并在实验中证明比现有技术更准确，快速且功能更强大。

    Mar, 2016

  • GCT-TTE: 旅行时间估计的图卷积变压器

    该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。

    Jun, 2023

  • 城市交通量推断的稠密和不完整轨迹联合建模

    本文提出了一种新的城市交通量推断框架，使用探测器和摄像头捕获到的密集 GPS 轨迹以及不完整轨迹，结合高保真交通模拟器和深度强化学习方法从不完整轨迹中恢复完整车辆行驶轨迹，并通过构建时空图和多视图图嵌入模型，推断未监测到的道路交通量。实验结果表明，该方法在中国省会城市的两个大区域中表现出了较高的准确性。

    Feb, 2019

  • Google Maps 中使用图神经网络进行 ETA 预测

    本文介绍了一种用于运输网络中估算出发时间的图神经网络模型，该模型使用了 MetaGradients 等算法优化方法，经过实际生产和现实情景分析的验证，在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高（最高达 40%）。

    Aug, 2021

  • RNTrajRec：具有时空变换器的路网增强轨迹恢复

    本文提出了一种基于变压器的道路网络增强轨迹恢复框架 (RNTrajRec)，其中使用 GridGNN 学习每个道路段的嵌入特征，GPSFormer 学习丰富的空间和时间特征以及一个子图生成模块来捕获轨迹中每个 GPS 点的空间特征，在三个大规模真实轨迹数据集上的实验证实了我们方法的有效性。

    Nov, 2022