Jun, 2023

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

PDF
TL;DR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。
real-time demand predictiontransit demanddeep learningbrt systemcovid-19 pandemic
发现论文，激发创造
  • 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

  • 纽约市 COVID-19 疫情期间的单车共享需求的可解释机器学习框架

    本研究提出了一个机器学习模型框架，用于估计大规模自行车共享系统的小时需求，并利用两个梯度提升模型以及基于 SHapley Additive exPlanations 的模型解释框架进行实证分析，结果表明性别比例和时间段是两个最重要的解释变量。

    Nov, 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

  • 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

  • 在飓风疏散时为高效管理实际大型交通网络部署可扩展的流量预测模型

    基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

    Jun, 2024

  • 借助 Cartogram 辅助的深度学习提升开放系统中的需求预测

    我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

    Mar, 2024

  • 出租车需求预测的深度多视图时空网络

    该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

    Feb, 2018

  • 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

  • 基于时空深度学习的即需打车服务乘客需求短期预测

    通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

    Jun, 2017

  • 探索交通系统中多模态需求动态的研究

    本文采用数据驱动方法，研究交通运输系统中各种形式的干扰对城市移动性的不同影响，并通过对历史性小时出行需求数据进行异常检测和聚类，分类各种干扰情况下的多模式需求动态，为衡量不同干扰情景下的方式转移范围提供了参考。

    Jul, 2023