Jan, 2023

基于图神经网络的乘客请求预测

PDF
TL;DR本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。
passenger request predictionride-sharing platformsorigin-destination flow predictiongraph neural networkattention mechanism
发现论文，激发创造
  • 基于线图神经网络和卡尔曼滤波的动态起终点矩阵预测

    本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。

    May, 2019

  • 利用引力引导之 GAN 生成起讫点网络

    本文提出了一种名为 “ODGN” 的新型数学建模方法，它采用物理学与机器学习的结合，包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术，用于更好地建模人口流动分布，并通过真实数据的实验验证了其与基准算法相比的优越性。

    Jun, 2023

  • 使用时空编码器 - 解码器残差多图卷积网络预测出行需求的起点和终点

    本文提出了一种基于深度学习的新模型 ST-ED-RMGC，用于准确预测不同 OD 对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。

    Oct, 2019

  • 一个深度学习框架用于动态估算出发地 - 目的地序列

    本文提出了一种利用深度学习方法推断 OD 序列结构的方法，并使用结构约束引导传统数值优化，以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明，提供的结构信息不仅包含对 OD 矩阵的空间结构的约束，而且还提供了对 OD 序列的时间结构的约束，能够较好地解决滞后问题。

    Jul, 2023

  • 城市范围内基于图解噪扩散的出行 OD 矩阵生成

    本文介绍了一种基于网络视角的图去噪扩散方法，用于生成城市范围内的 OD 矩阵，并通过区域级别的城市特征来学习所有元素的条件联合概率分布，该方法解决了城市范围内 OD 矩阵数据学习困难的问题，并在本文中针对两个大型美国城市的数据进行了实证实验。

    Jun, 2023

  • 大规模 OD 矩阵估计的深度学习方法

    通过深度学习和数值优化算法相结合的方法，本研究利用神经网络从探测交通流中推断出基于结构的约束，消除了对先前信息的依赖，提供了实时性能，并且在工程上具有经济性。通过测试，在大规模的合成数据集上展示了我们方法的良好泛化能力，并在真实交通数据上验证了我们方法的稳定性，实验证实了结合神经网络和数值优化的优势。

    Oct, 2023

  • 基于来源感知的个性化偏好注意力的下一个目的地推荐

    通过使用空间和时间的编码方法，我们提出了基于用户轨迹的下一目的地推荐模型，该模型在七个不同的的真实数据集上验证，其性能显著优于基础模型和现有模型。

    Dec, 2020

  • 基于图学习框架的人类移动性探索与多模式乘客预测

    提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架（MPGCN），该框架从定点巴士记录数据中提取人类移动知识，以预测巴士乘客流量和优化路线，实验结果表明该方法具有潜在的实际应用价值。

    Feb, 2022

  • ODformer：基于时空 Transformer 的长序列出行 OD 矩阵预测跨应用场景研究

    提出了 ODformer 模型，使用 OD Attention 机制捕捉 OD 对的特殊空间依赖关系，在与 2D-GCN 相结合后大大提高了模型在不同应用方案下的预测能力，并使用 PeriodSparse 自注意力有效预测不同场景下长序列 OD 矩阵系列。经过大量实验证明，该方法优于现有的最先进方法。

    Aug, 2022

  • 公交地铁起点 - 终点细粒度时空 MLP 架构预测

    我们提出了一种细粒度的时空 MLP 结构（ODMixer），用于地铁 OD 预测，该模型通过捕捉 OD 对之间的短期时空关系和长期趋势，有效地分析 OD 之间的细粒度关系，并具有在预测潜在异常条件方面的优势。

    Apr, 2024