利用可解释的基于注意力机制的 LSTM 预测行程时间和距离
本文通过使用 Apache Spark 和 Apache MXNet 等大数据分析引擎,利用 Caltrans PeMS 系统的大规模旅行时间数据集设计了一个 Hierarchical LSTM with Attention (HierLSTMat) 模型来预测整个路网的旅行时间。实验结果表明该模型可以在多个计算时间内成功预测未知拥堵情况,并获得了比流行数据科学和深度学习框架更高的效率。
Jan, 2022
本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法,同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。
Jan, 2018
我们提出了一种人类轨迹预测模型,该模型将长短期记忆(LSTM)网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分,我们可以提取出注意力分数并将其整合到轨迹预测模块中,以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。
Sep, 2023
本研究旨在开发一种精确的模型,通过捕捉旅行数据中的序列模式和依赖关系,实现对个体旅行者未来目的地的准确预测,为现代交通运输行业带来多重益处,并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。
Jan, 2024
本文介绍 LSTM 模型的结构和前向传播机制,提出了 Random Connectivity LSTM(RCLSTM)模型,并通过在电信网络交通预测和用户移动性中的应用证明了 RCLSTM 模型可实现相同的预测准确性,同时具有计算复杂度更低的优点
Oct, 2018
通过关注机制和 LSTM 网络,该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系,并将其用于预测,采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好,此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。
Sep, 2019
本研究提出一种动态局部化长短期记忆(LSTM)模型,通过使用局部动态空间权重矩阵和其动态变化,考虑时间和空间上的复杂动态相互作用,对道路之间的时空关系进行建模,能够处理具有长时序依赖和复杂非线性特征的序列数据,并在实验证明了该模型相比基线方法具有更好的预测性能。
Dec, 2021
本文提出了一种基于深度学习的,可以实时生成周围车辆未来轨迹序列的车辆轨迹预测技术。通过利用编码器 - 解码器结构和使用基于长短期记忆(LSTM)的编码器分析过去轨迹中的模式,使用 LSTM 解码器生成未来轨迹序列。使用束搜索技术从解码器的输出中保留 K 个局部最优解,产生 K 个最可能的轨迹候选项。在高速公路交通场景下进行的实验表明,所提出的方法的预测精度显著高于传统的轨迹预测技术。
Feb, 2018
本文提出了一种基于时空图的长短期记忆神经网络,用于在拥挤环境中预测行人的轨迹,考虑与场景中的静态和动态元素的交互,结果表明,相比于其他方法,本方法在人类轨迹预测方面能够将平均位移误差(ADE)和最终位移误差(FDE)分别降低高达 55%和 61%。
Feb, 2019
本文针对自动驾驶汽车在复杂交通情境下进行安全高效的行驶所需的需求,提出了使用 LSTM 模型来进行交互式的运动预测,并在 NGSIM US-101 和 I-80 数据集上与其他方法进行了比较和分析。
May, 2018