May, 2023

评估地理空间上下文信息用于交通方式识别

PDF
TL;DR本文通过使用随机森林模型和 SHAP 的方法，评估了地理空间上下文信息对于交通方式检测的贡献，发现基础设施网络相关的特征显著影响模型预测，而土地利用和地表覆盖特征对于任务的贡献非常有限。此外，该研究为选择适当的上下文信息和建模方法提供了洞见，增强了我们对于运动与地理上下文之间关系的理解。
travel mode detectiongeospatial context informationrandom forest modelshapley additive explanation methodtransport mode detection models
发现论文，激发创造
  • 关于上下文信息对兴趣点推荐影响的系统分析

    本文提出了不同的上下文模型，分析了 POI 推荐中不同主要上下文信息的融合。主要贡献是：提供了对上下文感知定位推荐的广泛调查，量化和分析不同上下文信息在 POI 推荐中的影响，并使用两个着名的现实世界数据集评估了所考虑的模型。我们的结果表明，虽然建模地理和时间影响可以提高推荐的质量，但将所有其他上下文信息融合到推荐模型中并不总是最佳策略。

    Jan, 2022

  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 将导航背景融入内陆船舶轨迹预测：一种高斯混合模型和 Transformer 方法

    使用高斯混合模型对内陆航运中的船舶轨迹进行预测，在预测中整合了自动识别系统和泄放测量数据，以提高轨迹预测的准确性。

    Jun, 2024

  • 基于智能手机嵌入式传感器数据的用户社交环境和熟悉场所的设备端建模

    该论文提出了一种基于移动设备的无监督轻量级方法来直接模拟用户的社交上下文和位置，该方法利用了自我网络模型，对智能手机嵌入式传感器数据提取高级别的语义上下文特征，在社交上下文方面，该方法利用了在用户和设备之间的物理和网络社交互动的数据，对于位置，它优先建模了特定位置的熟悉度程度，相对于只使用与物理上下文相关的特征，该方法在 AUROC、Precision 和 Recall 方面的表现都有所提高。

    Jun, 2023

  • 透过树木看见道路：一种利用航空影像对空间依赖性建模的基准

    本研究提出了一种用于评估地理空间机器学习模型空间远程上下文理解能力的道路分割基准数据集，展示了常用的语义分割模型在该任务中的失败情况，并分析了模型在决策的相关背景（未遮挡的道路）距离变化时的性能变化。

    Jan, 2024

  • 利用位置上下文提高图像分类

    本研究通过利用 GPS 坐标，探索了将位置信息与卷积神经网络相结合进行图像分类的方法，并在 Yahoo Flickr Creative Commons 100M 数据集的子集上进行了评估，证明了这种方法可以使平均精度提高近 7%。

    May, 2015

  • 迈向稳健轨迹表示：用因果学习分离环境混淆因素

    运用因果学习的轨迹建模框架（TrajCL）通过结构性因果模型（SCM）并基于干预工具（逆向调整理论）消除地理空间和轨迹之间的虚假相关性，提升轨迹分类任务的性能和泛化能力。

    Apr, 2024

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    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

  • GeoExplainer: 空间建模情境化和报告生成的可视化分析框架

    GeoExplainer 是一个可视化分析框架，支持分析人员创建解释性文档，总结和联系他们的空间分析结果。本文以建模 2016 年美国总统选举投票决定因素为案例研究，展示了我们的框架。

    Aug, 2023

  • 利用地理空间上下文增强深度估计

    利用现代相机所配备的各种传感器记录图像的地理空间环境，将在已知摄像机拍摄地点的情况下，提出一种基于地理启用的方法，使用一个识别出的综合地面深度地图与相对应的俯瞰图像，将其融合在编码器 / 解码器风格的分割网络内，实现对深度估计的目的。结果表明，将地理上下文集成到深度估计模型中可显着降低误差。

    Sep, 2021