Apr, 2023

智慧地铁：深度学习预测 MRT 3 号线的乘客量

PDF
TL;DR该研究提供了一种时间序列预测方法，以预测菲律宾马尼拉地铁 3 号线每个站点在特定日期的未来客流量。（This study presents a time series prediction method to forecast the future passenger traffic at each station of Metro Rail Transit Line 3 in the Philippines on specific dates.)
发现论文，激发创造
  • 高动态条件下的公共交通需求预测：最先进模型和开源基准基础设施的元分析

    开发了一个开源代码基础架构，使用五种常见的方法评估了稳定和高度动态的情况下的短期乘客预测模型（包括计量经济学和深度学习方法），并使用智能卡数据的时间序列来预测哥伦比亚波哥大的 BRT 系统的未来一天的乘客需求，结果表明，在 COVID-19 疫情期间，使用 LSTM 模型的适应性训练和多输出设计优于其他模型，适应比其他模型更快。

    Jun, 2023

  • 考虑时间区间、天气和乘客数量趋势的多重 LSTM 公交车乘客量预测

    通过设计 LSTM-based 架构和输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等所有相关数据作为特征，本研究提出了一种巴士乘客高度准确的预测模型，以提高服务质量。结果表明，该模型平均和最高准确率分别提高了 23% 和 27%。

    Apr, 2023

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

    Aug, 2023

  • 城市地铁流量预测的时空动态图关系学习

    本研究提出了一种基于空间 - 时间动态图关系学习模型的城市地铁流量预测方法，在北京、上海、重庆和杭州的城市地铁数据上进行了大量实验，并在城市地铁流量预测中优于其他 11 种基线方法。

    Apr, 2022

  • BusTr：从实时交通预测公交车行驶时间

    本文介绍了 BusTr，一个基于机器学习的模型，将交通预测转化为公交车延误预测，现已被 Google 地图用于为大部分世界公共交通系统提供服务，在没有官方实时公交跟踪的情况下。我们演示了我们的神经序列模型提高了训练稳定性和性能（MAPE 低 30%），并证明了在纵向数据上评估的更简单模型的显著泛化增益以应对不断发展的世界。

    Jul, 2020

  • 探索深度学习方法预测人员和车辆出行情况：基于 NHTS 数据的分析

    现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

    Aug, 2023

  • 使用长短期记忆神经网络预测渡轮客流

    使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。

    May, 2024

  • 城市级出行数字孪生在线轨迹预测

    本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

    Jun, 2022

  • 基于时间序列的智能城市移动应用程序：伊斯坦布尔的智慧出行交通估计

    该研究提出了一种基于人工智能的手机应用程序，利用交通密度数据，通过 LSTM、Transformer 和 XGBoost 等时间序列方法预测伊斯坦布尔的交通拥堵情况，并根据 MAPE、MAE 和 RMSE 等性能指标分析模拟结果，发现 Transformer 模型具有最准确的交通预测能力。该研究为未来定制适合市民日常使用的手机应用程序奠定了基础。

    Dec, 2022

  • 基于空间模式的公交到站时间估计动态模型（机器学习）

    本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

    Oct, 2022