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
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。
Jun, 2022
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
本文提出一种基于归纳图转换器(IGT)的回归函数方法,通过原始特征信息与结构图数据进行参数训练,以预估出物流包裹的交付时间,实验结果表明该方法可以显著提高交付时间的估计精度。
Nov, 2022
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
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
本文提出了一个基于深度学习的多任务深度神经网络模型 Deep Image to Time (DepthI2T),利用城市景观照片中的建筑环境信息,实现了旅行时间的准确预测,成为旅行时间估计领域最新的 state-of-the-art 算法之一,该算法适用于多种路径情况,具有重要的智慧城市应用价值。
Jul, 2019
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
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
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024