IJCAIJun, 2022

深度学习与回归：有限数据下旅游流量预测

PDF
TL;DR本研究旨在使用深度学习方法分析游客流量并预测未来的游客流量，与传统的 ARIMA 方法相比，该研究表明，深度学习方法比 ARIMA 方法具有更高的预测准确度且可以更好地预防拥挤和管理游客流量。
tourismvisitor flow predictiondeep-learning methodsarima methodovercrowding prevention
发现论文，激发创造
  • 黑素细胞皮肤肿瘤全切片图像中感兴趣区域检测 -- 痣和黑素瘤

    利用深度学习方法对组织学图像进行区域兴趣点检测，能够降低成本、提高癌症诊断速度和准确性，尤其在黑色素瘤皮肤肿瘤方面表现出良好的性能。

    May, 2024

  • 德国旅游知识图谱

    旅游是全球经济中最关键的行业之一。基于其异构和分散性的特点，知识图谱是其中一个最适用的使用案例。本文介绍了德国旅游知识图谱，整合了来自德国 16 个联邦州和其他各种来源的旅游相关数据，为各种应用提供了一个精选知识源。通过图形用户界面和应用程序接口 (API) 可以公开访问。

    Apr, 2024

  • 图神经网络用于道路安全建模：事故分析的数据集和评估

    本文通过构建一个大规模、统一的数据集，总计 900 万条交通事故记录，并结合道路网络和交通量报告，评估了现有的深度学习方法在预测道路上事故发生的准确性。研究发现，图神经网络（如 GraphSAGE）能够准确预测道路上事故的数量，平均绝对误差低于 22%（相对于实际计数），并且对于是否会发生事故的预测准确率高达 87% 以上（通过平均州统计）。通过多任务学习考虑州际变异性和迁移学习将交通量与事故预测相结合，取得这些结果。消融研究凸显了道路图结构特征的重要性。最后，讨论了分析的意义并开发了一个使用该数据集的便捷包。

    Oct, 2023

  • 基于时间戳监督的可穿戴设备活动分段和识别：对比学习和保序最优传输

    利用时间戳监督的联合活动分割和识别方法，通过估计原型、生成样本级伪标签以及最优运输理论，以改善人类活动识别和时间序列分割问题。

    Oct, 2023

  • 利用稀疏地理位置数据预测旅游流量

    21 世纪的现代旅游面临着众多挑战，其中游客数量快速增长、历史城市、博物馆等地区空间有限以及桥梁等瓶颈是最大的问题之一。本文中，我们通过使用深度学习方法（如 RNNs、GNNs 和 Transformers）以及经典的统计 ARIMA 方法在游客流量预测领域进行实证评估，扩展了旅游区域提供的有限数据，并引入了游客的地理位置轨迹、天气和假日等外部数据，以提高预测准确性和处理稀疏数据的能力。

    Aug, 2023

  • OxfordTVG-HIC: 机器能否从图像中制作幽默的标题？

    本研究提出了 OxfordTVG-HIC（Humorous Image Captions），这是用于幽默生成和理解的大规模数据集。通过对所训练模型进行解释性分析，我们发现视觉和语言线索对于引起幽默预测（和生成）具有影响力，并定性地观察到这些线索与认知心理学中的害笑违例理论相一致。

    Jul, 2023

  • 基于边缘注意力的快速 MRI 重建

    提出一种轻量级、准确的边缘关注 MRI 重建网络 (EAMRI) 来对较少的 k 空间数据进行图像重建，并通过提取边缘先验信息引导重建高质量和带有精确边缘的 MR 图像，与传统的自注意机制相比，能够显著降低计算复杂度，具有更高的精度和更少的参数。

    Apr, 2023

  • 基于分割的深度学习方法用于表面缺陷检测

    本研究提出了一种基于分割的深度学习架构，用于表面异常检测和分割，在表面裂纹检测的特定领域中表现出比其他深度学习方法更好的性能，可以使用少量的样本进行训练，因此可以实际应用于工业领域。

    Mar, 2019