一种基于 Twitter 的深度学习机制用于确定城市中的车辆劫持地点
本研究提出了一种新的半监督方法,利用推特数据和无监督异常检测算法识别车辆劫持事件,比较评估结果表明 Cluster Based Outlier Factor 方法在准确性和 F1-Score 上优于 K-Nearest Neighbour,因此 CBLOF 方法被选择作为更好的无监督方法,并计划在更大的数据集上使用监督学习方法进行比较和优化。
Aug, 2023
机器学习和自然语言处理可以通过预测实时的恐怖袭击来帮助打击恐怖主义,本研究通过使用社交网络文本来提取必要信息建立合适的恐怖袭击预测数据集,实验发现现有解决方案在地点识别方面准确率较低,我们的解决方案得以解决,并将扩展解决方案以提取日期和行动信息来实现项目目标。
Aug, 2023
本文提出了一种名为 MENET (Multi-Entry Neural Network Architecture) 的深度学习模型,能够综合使用利用 Twitter 用户生成内容、用户间连接性以及元数据等多种数据表示方式进行 Twitter 用户地理位置预测,且在三个基准数据集上表现显著优于现有方法。
Dec, 2017
通过利用车联网数据和深度学习模型,在道路基础设施映射方面取得了显著的成果,提出了一种基于 geohashing 和 YOLOv5 算法的自动识别路口的新方法,实验证明了该方法的高准确性和广泛应用前景。
Aug, 2023
本研究使用机器学习方法,通过分析巴西联邦区交通事故数据并结合当地天气条件,成功预测事故热点区域,并表明事故位置比天气参数对事故发生的影响更为重要,强调地方干预对减少事故数量的重要性。
Dec, 2023
本文利用无监督学习模型利用 Word-embeddings 计算语义相似性对推特进行有效分类来增强印度交通数据的动态监测和预测。
Dec, 2021
本研究使用深度卷积神经网络及音頻參數 (如 Mel 頻率倒谱系数、登录 Mel 滤波能量光譜、Fourier 光譜) 做為特徵集合與資料擴增技術,實現了對交通安全重大事件如碰撞、轮胎打滑、喇叭和警笛聲的自动辨識,进而提高 IoT 平台覆盖率的效果,準確率最高可達 94%。
Mar, 2022
使用神经网络、自然语言处理以及高斯混合模型,对推特文本中的地理位置进行预测,在全球范围以及美国范围内实验结果的中位误差分别小于 30 公里和 15 公里。
Mar, 2023
本文提出了一种基于机器学习的方法,以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明,我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈,包括总量和时间分布,这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点(POI)数据和在线车辆数据获取城市功能分布信息和车辆行驶时间(VHT)信息。选择了预测性能最好的人工神经网络(ANNs)。通过使用不同地区收集的数据集进行相互预测,并将预测结果重新映射到地图上进行可视化,我们评估了计算模型在不同地区的使用程度,以减轻未来城市研究人员的工作负担。最后,我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用,并与遗传算法相结合来优化当前城市环境的状态,为设计师提供建议。
Nov, 2023
本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响,结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施,从而提高行人和车辆的安全性。
Feb, 2022