AAAIFeb, 2023

使用 MCMC 采样最大流量进行城市规模的污染感知交通路由

PDF
TL;DR该研究使用基于采样的方法，通过设计污染感知的流量调度策略，实现在保证短的通行时间和充分利用道路容量的同时，避免区域污染，有效减少城市空气污染的问题。使用 SUMO 交通模拟器在世界各大城市大幅度减少了污染区域，证明了该方法的可行性。
air pollutiontraffic routing policymarkov chainsumo traffic simulatorsevere pollution
发现论文，激发创造
  • 模拟生态友好型交通选择对空气污染减少的影响

    通过地图搜索日志模拟环保交通模式选择的有效性，并将交通模式选择视为组合优化问题，考虑 CO2 和平均旅行时间的约束条件，优化结果表明，CO2 排放总量可以减少 9.23％，而平均旅行时间实际上可以减少 9.96％。

    Sep, 2021

  • 发展中国家程序化环岛生成的概率生成建模

    通过马尔可夫决策过程，使用 GFlowNets 作为交通路网生成器实现了将事故道路链接到环形交叉口，比其他相关方法拥有更好的多样性和高有效性得分。

    Oct, 2023

  • 减少空气污染接触的上学路线信息干预

    研究了一个信息干预方法，使用陪同父母 / 监护人的方式，使学生采用接触污染物最少的最干净的通勤路线。通过实施，大量参与者表示，介绍的替代路线带来了更好的效益，使他们更换了路线。

    May, 2020

  • 利用深度学习在瓦伦西亚市建立实时交通警报

    该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

    Sep, 2023

  • 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

  • 高效城市交通优化的 ASP 框架

    本文提出了一个利用 Answer Set Programming 进行优化的框架，可在具有数百辆车的大型道路网络中有效模拟和优化交通流，以减少旅行时间或排放等重要指标。

    Aug, 2022

  • 城市空气污染的状态估计：统计、物理和超学习图模型

    实时重建城市空气污染地图的问题，通过在城市图上提出不同的重建方法，包括完全数据驱动、物理驱动或混合驱动，并结合超级学习模型，本研究在法国巴黎市中心测试了方法的性能。

    Feb, 2024

  • 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

  • 交通网络路径规划

    该研究论文调查了交通网络路线规划算法的最新进展，重点介绍了处理道路网络和公共交通网络的不同方法，以及其对查询时间、空间要求和预处理等方面的不同权衡，提出了多模态路径规划问题的近似解决方案。

    Apr, 2015

  • 多图时空图卷积网络用于交通流量预测

    通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

    Aug, 2023