利用 Neo4j 和深度学习进行交通拥堵模拟和优化
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
本论文对交通预测问题中应用图神经网络(包括图卷积和图注意力网络)进行了全面的综述和研究,展示了其在不同交通预测问题方面,如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等,取得的最新成果。同时,还提供了每个问题的公开数据和资源列表,并提出了未来的研究方向。
Jan, 2021
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018
基于卷积神经网络(CNNs)和长短期记忆(LSTM)深度学习架构,利用基于元胞自动机的统计力学模型预测交通流量,并通过观察统计力学模型的归一化能量分布的尺度不变性,采样模拟数据来生成大规模交通系统的训练和测试数据,结果显示预测与真实交通流动态之间存在良好的一致性。
Mar, 2024
通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息,并使用改进的消息传递算法更好地表示物理网络中的依赖关系,我们提出了一种基于图神经网络的解决方案,旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。
Oct, 2023
本文提出一种名为 PCNN 的基于深度卷积神经网络的短期交通拥堵预测方法,通过时间序列折叠和多粒度学习手段,将交通数据转化为二维矩阵输入,并在局部和宏观层面对交通拥堵进行建模和预测,实验结果表明 PCNN 对于预测短期交通拥堵具有显著优势。
Mar, 2020
本研究介绍了道路容量驱动的图卷积网络(RCDGCN)模型,该模型在时空环境中结合静态和动态道路容量属性,用于预测整个网络的交通状态,并在实际数据集上进行了评估。结果显示,RCDGCN 在预测准确性方面优于基线方法,并通过各种分析表明了容量相关因素的影响。该研究展示了 RCDGCN 在交通系统管理方面的潜力。
Jun, 2024
本研究提出了一种基于深度强化学习的控制器来帮助减少道路拥堵现象,该控制器通过学习适应性绕道策略,从而优化使用高速公路车道及其附近的交通网络,本文使用实际交通数据生成参数化交通模型并在模拟器中进行实验,结果显示该方法可以将交通速度提高 21%。
May, 2023
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
该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距,通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络,利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据,创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件(以图形编码)有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献,从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力,其中包括生成具有各种实体的手动定义位置的图像。
Dec, 2023