探索深度学习方法预测人员和车辆出行情况:基于 NHTS 数据的分析
本文提出一种基于深度神经网络的辅助监督模型 DeepTravel,能够自动提取不同特征并充分利用轨迹数据的时间戳,通过在真实数据集上的全面实验,证明了 DeepTravel 相对于现有方法的卓越性能。
Feb, 2018
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
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
本文研究基于深度学习和数据驱动方法来预测人类轨迹和建模社交交互的性能,同时提出了大规模基于交互的 TrajNet++ 基准,并在真实和合成数据集上进行了实验,验证了文中方法的可靠性。
Jul, 2020
本文基于大量的实证评估,探讨了近期深度学习技术在高速公路感知场景中的应用,通过使用神经网络对车道和车辆进行检测,同时保证了实时性,证实了深度学习在自动驾驶领域的潜在应用价值。
Apr, 2015
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
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
提出了一种名为 DeepTransport 的端到端框架,其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息,并引入注意力机制以对齐空间和时间信息,并构建并发布实时大规模交通状况数据集,经实验证明,该方法在时空领域捕捉了复杂的关系,相对于传统的统计方法和最先进的深度学习方法,取得了显著的性能提升。
Sep, 2017
本篇论文提出使用单个车载摄像头的深度学习方法预测行人轨迹,通过引入可扩展的机器注释方案来解决训练数据不足的问题,并提出了动态轨迹预测器(DTP)来预测未来一秒的行人轨迹,实验证实了该模型的好处。
May, 2019