Aug, 2022

DuETA: 百度地图交通拥堵传播模式建模的高效图学习用于到达时间预测

PDF
TL;DR本文提出了一种实用的 ETA 预测框架 DuETA，通过构建基于相关性的拥堵感知图和路线感知图转换器，可以捕捉空间上相距较远但与交通状况高度相关的路段对之间的交互作用，从而显著提高预测性能并已在百度地图中投入生产。
eta predictiontraffic congestiongraph transformerroute-awarespatial-temporal interaction
发现论文，激发创造
  • 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

  • 深度网络与树模型的互补融合在 ETA 预测中的应用

    本研究论文提出了一种基于树模型和神经网络集成的新型 ETA（预计到达时间）估计方法，并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。

    Jul, 2024

  • 基于层次化图结构的拥堵和预计到达时间预测

    本论文提出了一种使用图神经网络的方法，直接在道路图的拓扑结构上预测交通情况，同时采用分层图表示来改善关键路口之间的信息流动，并研究了压缩道路图以提高信息流动效率的方法，并使用多任务方法同时预测拥堵级别和预计到达时间。

    Nov, 2022

  • 公共交通网络中 ETA 预测方法调查

    该研究综述了公交模式下预测到站时间算法的发展，强调对公共数据标准的需求以解决报道标准的不一致性和算法预测精度的测量统一性，推进社会公共交通的规范化发展。

    Apr, 2019

  • 采用概率密度扫描方法构建远程航行船只轨迹和预测到达时间

    本文提出了一种基于概率密度的轨迹构建方法，并通过一个典型应用 —— 根据起讫点预测到达时间（ETA），进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天（即 2.544 小时），标准偏差为 0.549 天（即 13.176 小时）。而该方法的准确率为 92.08%，R-Squared 值为 0.959。

    May, 2022

  • 城市交通拥堵预测的可扩展深度流量神经网络

    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

  • 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

  • 利用数据驱动的宏观模型在未观测网络位置进行交通估计

    该研究使用宏观模型和来自自动交通计数器和探针车辆的多源时空数据，准确估计了无法测量这些指标的路段的交通流量和行程时间。使用名为 MaTE 的模型，该模型基于宏观交通流理论，可在仅使用观察到的这些指标的测量值的情况下进行网络范围内的交通流量和行程时间估计。实验结果显示，MaTE 模型在交通行程时间估计方面表现优于数据驱动的基准模型。

    Jan, 2024

  • 从稀疏轨迹估计行程时间和路径

    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

  • 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