Jun, 2023

GCT-TTE: 旅行时间估计的图卷积变压器

PDF
TL;DR该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。
transformer-based modeltravel time estimationdata modalitiespath-aware and path-blind settingsweb service
发现论文，激发创造
  • 物流、图形和变形器：改进旅行时间估计

    本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

    Jul, 2022

  • TelTrans：基于多类型电信数据的多维图建模在交通评估与预测中的应用

    通过利用广泛的蜂窝交通覆盖捕捉移动模式，我们提出了地理蜂窝交通（GCT）流量作为解决基于位置检测器的交通预测局限性的新数据源。针对车辆相关的 GCT 流量预测，我们提出了一个图神经网络，它整合了多变量、时间和空间因素，提高了准确性。实验结果显示我们的模型在长期预测方面优于基准模型，同时我们也强调了将 GCT 流量整合入交通系统的潜力。

    Jan, 2024

  • 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计

    通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

    Jan, 2022

  • GOF-TTE：面向出行时间估计的生成式在线联邦学习框架

    介绍了 GOF-TTE 移动用户群的生成式联邦学习框架，旨在利用联邦学习方法建立实时道路交通状态的模型，保护用户隐私并训练个性化的模型来预测路程的时间估计。

    Jul, 2022

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • 交通流预测的反事实图转换器

    交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。

    Aug, 2023

  • Google Maps 中使用图神经网络进行 ETA 预测

    本文介绍了一种用于运输网络中估算出发时间的图神经网络模型，该模型使用了 MetaGradients 等算法优化方法，经过实际生产和现实情景分析的验证，在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高（最高达 40%）。

    Aug, 2021

  • Sat2Graph: 通过图 - 张量编码提取道路图

    本论文提出了一种新方法 Sat2Graph，将像素级分割和基于图形的方法的优势结合在一个框架中。通过一种新的编码方式，即图张量编码，Sat2Graph 能够从图像中直接捕捉图形结构的特征并预测道路图，并可以侦测不只平面的道路图，而能够稳健地预测堆叠道路（例如高架桥等）。实验显示，Sat2Graph 优于先前指标 TOPO 和 APLS 使用的其他方法。

    Jul, 2020

  • 混合时空图卷积网络：利用导航数据改善交通预测

    提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

    Jun, 2020

  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021