基于数据驱动的时空交通服务管理区域生成框架
通过应用图神经网络捕捉城市环境中的空间依赖性和模式,本研究提出了一种新颖的出租车需求预测系统。该系统采用区域中立的方法,利用变分自编码器将输入特征分解为区域特定和区域中立的组件,以实现跨区域出租车需求预测并推广到不同城市区域。实验证明了该系统在准确预测出租车需求方面的有效性,甚至在以前观察不到的区域,从而展示了其优化出租车服务和提高交通效率的潜力。
Oct, 2023
本文介绍了 One4All-ST,一种可以在任意可修改区域单元上进行时空预测的框架,通过设计具有分层空间建模和尺度归一化模块的 ST 网络来有效地学习多尺度表示,并提出动态规划方案来解决预测不一致性问题。丰富的实验验证了 One4All-ST 在任意可修改区域单元的时空预测中的效率和有效性。
Mar, 2024
基于自监督图协作过滤模型的城市区域嵌入,通过 GCNs 和多头注意力以及空间扰动增强和对抗训练,优化了区域嵌入的语义表示,实验结果表明该模型优于现有方法。
Feb, 2024
本文介绍了一种新的交通工具需求预测方法,采用 STA-MGCN 网络和考虑周期特征的数据集,取得了骑行需求预测的最佳性能,结合纽约、芝加哥和成都三个实际数据集的测试分析。
Mar, 2022
基于文本定义目标的视频规划器生成未来帧以可视化计划行动,从而导出控制行动,本文介绍了一种名为 ARDuP (Active Region Video Diffusion for Universal Policies)的视频策略学习框架,通过强调生成活动区域来增强条件策略对任务执行所需的交互区域的关注,在视频规划中结合活动区域的特性与潜在扩散模型,并在反向动态建模过程中利用潜在表示进行直接解码的行动,通过利用视频中的运动线索自动发现活动区域,本方法消除了对活动区域的手动注释需求,通过在模拟器 CLIPort 和真实世界数据集 BridgeData v2 上进行大量实验证明了 ARDuP 的有效性,取得了显著的成功率改善,并生成令人信服的逼真视频规划。
Jun, 2024
我们提出了一种名为 POI-MetaBlock 的新型模块,它利用每个区域的功能性(由 POI 分布表示)作为元数据,进一步挖掘具有不同功能区域的不同交通特征,可以轻松地集成到传统的交通流量预测模型中,并且明显提高了交通流量预测的性能,并优于使用元数据的最先进的方法。
Mar, 2023
本文研究多智能体路径规划问题,通过提出通用计划作为解决方案,并实现名为 ASP-MAUPF 的系统进行计算,从而找到每个代理的可行的通用计划,以确保不与其他代理发生冲突。
May, 2023
本文介绍了一种 Automated Spatio-Temporal graph contrastive learning(AutoST)的方法,在考虑到多视图数据源的情况下,结合异构图神经架构,通过参数化的对比视图生成器来设计自动的时空增强方案,以解决数据噪声、分布异质性等问题,并进行对比实验以验证其效果。
May, 2023
该研究提出了一种名为 RegionTrans 的跨城市转移学习方法,旨在解决城市计算中深度时空预测任务中数据匮乏的问题,并在人群流量预测实验中验证其有效性。
Feb, 2018