Apr, 2023

街边停车推荐：基于异构图的排序算法

PDF
TL;DR本文提出了一种基于 learn-to-rank 模型和异构图的方法，自动推荐出直接可用的停车位，实现了实时停车信息的提供。在香港和旧金山的试验中表现出了不错的性能。
on-street parking recommendationlearn-to-rank modelheterogeneous graphconvolution-based event-then-graph networkreal-time parking information
发现论文，激发创造
  • 预测驱动的一次性动态停车定价

    本文提出了一种基于预测的优化框架，使用深度学习技术和神经普通微分方程（NODEs）设计预测模型，以预测停车场的占用率和价格信息，并使用一次性价格优化方法来优化预测模型使用的价格输入，以实现针对性的停车栏目占用率，实验证明该模型准确率高于其他模型，并且该一次性优化方法搜索时间较少且始终返回最优价格解。

    Aug, 2022

  • 面向城市停车位可用性预测的半监督分层递归图神经网络

    本研究提出了一种半监督分层循环图神经网络（SHARE），用于预测城市停车位，该模型采用层次图卷积结构来建模停车场之间的非欧几里德空间自相关性，并采用循环神经网络来整合停车场的动态时间依赖性。经过两个真实世界数据集的实验证明，SHARE 的预测性能优于七种最先进的基线。

    Nov, 2019

  • 利用 Transformer 模型融合多源交通需求数据进行城市停车预测

    基于时空深度学习和多源数据融合的停车可用性预测框架提供了更准确和及时的信息，促进了更高效和可持续的城市出行。

    May, 2024

  • 使用分解图神经网络进行卡车停车使用预测

    通过区域时间图神经网络对整个州进行车辆停车位置使用预测，提高了预测准确性和性能，解决了卡车停车位不足、违规停车和安全问题。

    Jan, 2024

  • 停车场占用检测中深度学习方法的修订

    该研究通过比较和评估现有车位检测算法和视觉转换器，提出了一种新的基于 EfficientNet 体系结构的管道，以增加现有系统的泛化能力和适应特定的视觉条件，从而提高停车场占用检测的效果。

    Jun, 2023

  • ParkPredict+: 基于 CNN 和 Transformer 的停车场车辆多模态意图和运动预测

    该研究使用卷积神经网络和 Transformer 网络从轨迹历史记录和卫星图像中提取时间空间和语境信息，对停车场中人驱动车辆的多模态意图和轨迹预测问题进行了研究，并提出了一种新的方法，能够更精确地预测多个模态，并编码复杂的多智能体场景，同时能够适应不同的停车地图。为了训练和评估方法，该研究还介绍了一组公开的 4K 视频数据集，其中包括了准确的注释、高帧率和丰富的交通场景。

    Apr, 2022

  • 面向区域电动车充电需求预测的基于物理知识和注意力机制的图学习方法

    该论文提出了一种名为 PAG 的新方法，通过图形和时间注意机制实现特征提取，并在模型预训练阶段使用物理知识引导元学习，以应对训练准确且可解释的预测模型的新挑战，从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。

    Sep, 2023

  • 空间感知深度强化学习与巡逻官员问题

    该论文提出了一种名为 SATOP 的新型空间感知深度强化学习方法，通过创造每个动作的表示，并利用停车位、代理和动作之间的空间关系，以及学习给定环境中未来动作之间的相互关系，实现在提高罚款的同时动态调整到当前可罚款的停车违规情况，并计划提高官员在违规发生时到达的可能性，结果显示 SATOP 始终优于现有最先进的任务态势官员并能罚款多达 22% 的停车违规。

    Jan, 2024

  • 为动态个性化的拼车服务设计的机器学习排名算法

    本文提出了 GoTogether, 一种基于学习排序技术的拼车推荐系统，通过用户历史选择建立个性化排序模型并最大化成功匹配的推荐，实验结果表明在静态和动态情况下该方案能快速准确预测用户选择。

    Jul, 2023

  • 地下停车场可靠安全的占据栅格预测研究

    本研究通过使用 CARLA 的仿真平台，创建了基于实际情况的停车场模型以收集数据，然后用占据格网络处理该数据以预测车辆路径和障碍物，从而增强自主驾驶系统在复杂室内环境的感知能力，最终提高自主停车操作的安全性。研究结果表明，所提出的策略成功地提升了自主车辆在这些复杂室内环境中的性能，为未来进一步的发展和应用奠定了基础，并弥补了关于室内停车环境的研究不足，成为一个重要的参考点。

    Jul, 2024