Jul, 2023

探索交通系统中多模态需求动态的研究

PDF
TL;DR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。
transport systemsurban mobilitymulti-modal demand dynamicsdisruptive eventsmode choice
发现论文，激发创造
  • 无监督知识适应旅客需求预测

    本研究提出了一种非监督知识适应预测框架，通过利用另一种交通方式的数据预训练模型来预测目标交通方式的需求，从而提高预测性能，同时避免不同机构之间的数据直接共享的问题。

    Jun, 2022

  • 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

    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。

    Jun, 2023

  • 公交运输服务的预测和应对中断

    通过引入数据驱动的统计与机器学习模型以及有效的随机化局部搜索算法，我们的研究在公共交通的积极干预和管理方面取得了有希望的结果，为交通管理机构提供了一种实用且易于实施的解决方案，以增强其服务的可靠性，进而促进更具弹性和可获得性的公共交通，使最依赖公共交通的社区受益。

    Mar, 2024

  • 货运运输的时空特征：基于数据驱动的探索性分析

    从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。

    Nov, 2023

  • 朝着交通基础设施的优先使用：以城市中心车辆特定动态进入限制为例

    本文提出了一种基于社会视角的稀缺交通基础设施元素的动态分配和优先级模型，并通过两个实际案例：基于可用停车位的车辆特定动态进入限制和确保城市中心持续合格空气质量水平，阐述了该模型的动态性。通过使用 SUMO 交通仿真工具进行实验评估了我们的建议。

    Jan, 2024

  • 基于深度生存分析的移动数据的两阶段框架，预测城市扩散事件

    本文提出了一个两阶段框架 (DILSA)，它使用与生存分析相结合的深度学习模型来预测城市扩散事件和其需求量，研究表明 DILSA 可以在接下来的 5 个小时内预测事件且 F1 分数为 0.7，平均时间误差为 18 分钟。

    May, 2019

  • 基于多模态深度学习的交通流量预测的混合方法

    本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

    Mar, 2018

  • 多模态时间融合变压器是良好的产品需求预测器

    通过融合多模态信息，如产品图像和文字描述，提出一种使用卷积、基于图和 transformer 的架构进行多模态产品需求预测的方法，以解决传统方法的局限性并提高准确性和可靠性。实验证明，该方法对各类产品的需求预测有效。

    Jul, 2023

  • 需求预测的多模态神经网络

    通过整合新闻详情中真实生活事件、历史销售数据、节假日信息以及 Google Trends 产品趋势数据，提出了一种多模式销售预测网络，该网络在超市实际数据集中比现有的销售预测技术具有统计显著性的改进，平均 SMAPE 误差率提高了 7.37％。

    Oct, 2022

  • 公共交通系统中重大延迟变化的流式检测

    公共交通系统延迟问题的探测方法和流处理引擎的参考架构可以在线计算显著和重复延迟，以及对有限的位置数据质量具有弹性。

    Apr, 2024