基于地图服务的出发地 - 目的地旅行时间预测器
本文提出一种基于道路网络的 OD 行程旅行时间估计方法,结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术,提出了多任务弱监督学习框架,该框架同时针对路段和交叉口优化期望对数似然函数,从而解决了 GPS 轨迹缺失的问题,实验验证了该方法对旅行时间估计和路线恢复的有效性。
Jan, 2023
提出了 ODformer 模型,使用 OD Attention 机制捕捉 OD 对的特殊空间依赖关系,在与 2D-GCN 相结合后大大提高了模型在不同应用方案下的预测能力,并使用 PeriodSparse 自注意力有效预测不同场景下长序列 OD 矩阵系列。经过大量实验证明,该方法优于现有的最先进方法。
Aug, 2022
本文提出了一种利用深度学习方法推断 OD 序列结构的方法,并使用结构约束引导传统数值优化,以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明,提供的结构信息不仅包含对 OD 矩阵的空间结构的约束,而且还提供了对 OD 序列的时间结构的约束,能够较好地解决滞后问题。
Jul, 2023
通过使用空间和时间的编码方法,我们提出了基于用户轨迹的下一目的地推荐模型,该模型在七个不同的的真实数据集上验证,其性能显著优于基础模型和现有模型。
Dec, 2020
本文提出了一种名为 “ODGN” 的新型数学建模方法,它采用物理学与机器学习的结合,包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术,用于更好地建模人口流动分布,并通过真实数据的实验验证了其与基准算法相比的优越性。
Jun, 2023
本文介绍了一种基于网络视角的图去噪扩散方法,用于生成城市范围内的 OD 矩阵,并通过区域级别的城市特征来学习所有元素的条件联合概率分布,该方法解决了城市范围内 OD 矩阵数据学习困难的问题,并在本文中针对两个大型美国城市的数据进行了实证实验。
Jun, 2023
通过深度学习和数值优化算法相结合的方法,本研究利用神经网络从探测交通流中推断出基于结构的约束,消除了对先前信息的依赖,提供了实时性能,并且在工程上具有经济性。通过测试,在大规模的合成数据集上展示了我们方法的良好泛化能力,并在真实交通数据上验证了我们方法的稳定性,实验证实了结合神经网络和数值优化的优势。
Oct, 2023
本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架,通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据,预测乘客的 OD 流量,同时确定覆盖道路网络的网格单元的最佳大小,得到较优的预测效果。
Jan, 2023
本篇研究探讨了一种名为 Travel Time Difference Model 的新方法,结合了 Markov 模型和最短路径算法,根据过去的轨迹信息和实际行驶时间,大幅提升了下一个位置的预测准确性。
Mar, 2020
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