多层建筑中基于数据驱动的预测决策点选择的方法研究
本文提出了一种基于深度学习的视觉 Transformer 的方法,可以预测给定楼层平面图的密度热图随时间的变化及总疏散时间,通过集成该模型到 BIM 工具中可以自动、快速地生成模拟结果,缓解了在建筑设计过程中的瓶颈问题。
Jun, 2023
本研究提出了一种新颖的多模态预测算法,采用混合学习架构来分析环境的视觉特征和场景动态,预测行人的未来横穿行为,并在现有 2D 行人行为基准和新的 3D 驾驶数据集上进行评估,取得了最先进的表现。
Nov, 2020
本研究开发了一种预测多个行人之间交互的模型,采用了博弈论和基于深度学习的视觉分析相结合的方法,可以更好地解释人类的互动,相比现有技术的最先进方法提升 25% 的预测精度。
Apr, 2016
本文提出了基于 LSTM 神经网络的相互作用感知运动预测模型,同时考虑了静态障碍物和周围行人,通过与现有方法的比较,证明了该模型在预测准确性和计算效率方面的优异性,并表明在有障碍物的环境中,考虑静态障碍物对运动预测的重要性。
Sep, 2017
本文介绍了一种基于自主行车的防撞技术,包括预测行人通过模拟其自身运动规划、推断可能的目的地、规划阶段和行为模式预测的神经网络。实验结果表明,系统能够准确地预测目的地和轨迹。
Jun, 2017
决策行为是交通规划中的关键问题,传统的统计学习方法在预测性能方面存在局限性,机器学习模型在交通规划者中备受关注。然而,机器学习模型的黑箱特性限制了其在决策和政策制定中的实际应用。本研究使用了低收入和低中等收入家庭的数据集,采用了多项式逻辑模型和机器学习分类器,通过特征重要性和个体条件期望图解释了决策行为。研究结果表明,机器学习模型中的随机森林模型具有最佳的准确性,而旅行成本的增加会显著降低公交出行的概率,而旅行时间的减少则增加对地铁的偏好。这项研究扩展了使用机器学习技术进行模式选择分析的研究,并有助于提高对这些模型在真实数据方面的理解,包括准确性和可解释性。
Jan, 2024
本文提出了一个集成图像和视频的大规模数据集, 收集了各种类型的目标(不仅是行人,还有自行车,滑板车,汽车,公交车,高尔夫球车)在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法,并且这个算法利用了新数据集的复杂度,可以模拟交互中的社会力量对行人的影响,有效地解决了目标跟踪与轨迹预测问题。
Jan, 2016
本文提出了一种基于机器学习的方法,以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明,我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈,包括总量和时间分布,这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点(POI)数据和在线车辆数据获取城市功能分布信息和车辆行驶时间(VHT)信息。选择了预测性能最好的人工神经网络(ANNs)。通过使用不同地区收集的数据集进行相互预测,并将预测结果重新映射到地图上进行可视化,我们评估了计算模型在不同地区的使用程度,以减轻未来城市研究人员的工作负担。最后,我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用,并与遗传算法相结合来优化当前城市环境的状态,为设计师提供建议。
Nov, 2023
本文提出了一种通过引入合成数据来构建深度虚拟到现实蒸馏框架,以实现对真实数据中行人过马路的预测,该框架能够从合成视频中获取大量行人运动的信息,在真实交通世界的预测任务中表现出极高的性能表现。
Nov, 2022
本研究提出了一种基于易获取的人口和资源预测因素的方法来预测家庭疏散决策,结合一个自动计算非线性阈值的可解释机器学习方法,其结果表明,在解释家庭疏散决策的变化和预测能力方面,增强的逻辑回归模型比以前的线性模型更具说服力,可为应急管理部门提供一种新的工具和框架来及时准确地评估疏散需求。
Mar, 2023