公平感知的城市流动生成的深度学习模型:FairMobi-Net
通过对人类活动的深入研究,结合大量的数字移动数据和人工智能的预测能力,运用深度学习模型,以以往的机械学习模型为基础,归纳整理的分类学,对多个任务(如下一位置预测、人流预测、轨迹和流预测)进行研究,是对人类移动的前沿研究。同时解决基础概念和现有挑战,方便深度学习科学家和实践者的理解。
Dec, 2020
本文研究机器学习在旅行行为建模领域的应用并发现其普遍存在的预测失误和潜在的公平性问题,提出了一种基于绝对相关性规则的算法来解决该问题。
Sep, 2021
提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架(MPGCN),该框架从定点巴士记录数据中提取人类移动知识,以预测巴士乘客流量和优化路线,实验结果表明该方法具有潜在的实际应用价值。
Feb, 2022
本研究提出使用基于图卷积网络的CrowdNet解决人群流动预测问题,并通过实验证明CrowdNet相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。
Mar, 2022
本研究提出了一种基于数字孪生的人类移动预测方法,将粗粒度预测与细粒度预测分为两个阶段,通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实GPS数据集上测试获得了良好的预测准确度和时间效率。
Jun, 2022
城市计算是一门关键学科,通过整合来自不同领域和模式(如时空、视觉和文本模式)的多源(如地理、交通、社交媒体和环境数据)跨领域数据融合,可为可持续发展提供支持。最近,我们观察到在智能城市中利用各种深度学习方法促进跨领域数据融合的趋势逐渐增长。为此,我们提出了第一份系统综述,对专为城市计算定制的基于深度学习的数据融合方法的最新进展进行了系统回顾。与以往综述相比,我们更关注深度学习方法与城市计算应用之间的协同作用。此外,我们还展望了大型语言模型(LLMs)与城市计算之间的相互影响,并提出了可能会改变该领域的未来研究方向。我们坚信,我们的综述所勾勒出的分类系统、进展情况和前景将会显著丰富研究社区。
Feb, 2024
本研究探索了城市之间的移动性转换问题,以提高Transformer的性能,并通过分离私有模块和共享模块的方式,有效地转移跨城市的知识,实现轨迹模拟的后期调整。
Mar, 2024
该研究论文提出了一种面向公平性的模型无关的时空图学习框架(FairSTG),利用先进样本与挑战性样本之间的协同混合来解决不公平的时空学习中的性能异质性问题,从而提高公平性质量并保持可比较的预测准确性,并能够通过样本级的检索和补偿对空间和时间性能异质性进行抵消,从而在为欠代表的城市地区进行时空资源分配时减轻风险。
Mar, 2024
介绍了一种专为合成真实人类流动数据而保证差分隐私的新型深层生成模型(HRNet),通过多任务学习、多分辨率、隐私预训练等多种组件来增强模型在差分隐私约束下的能力。在真实数据集上的广泛比较实验证明,HRNet在平衡效用与隐私权衡方面相比现有方法有显著改进。
May, 2024
利用普遍和开源数据开发了一种新的生成式深度学习方法来进行人类流动性建模和合成,并能够通过本地数据进行微调,实现在不同地区对流动模式的适应和准确表示。该模型在美国的全国数据集上进行评估,在生成紧随真实分布的活动链条方面表现出优异的性能。对来自加利福尼亚、华盛顿和墨西哥城的州或城市特定数据的进一步测试证实了其可转移性。这种创新的方法在促进流动性建模研究方面具有巨大的潜力,特别是在为下游基于活动的流动性模拟模型生成人类活动链条的输入和为城市规划师和政策制定者提供增强工具方面。
May, 2024