Aug, 2023

基于深度学习加权图的短途公交路线规划决策支持系统

PDF
TL;DR利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。
public transport routingdeep learningdecision support systemroute improvementstransportation network
发现论文，激发创造
  • 使用深度强化学习学习公共交通网络设计和改进的启发式方法

    利用深度强化学习和图神经网络学习低级启发式算法可有效优化公共交通网络设计，在合成和现实城市场景中均取得最佳结果并降低成本。

    Apr, 2024

  • 具有相关信念的最优学习顺序交通网络设计算法

    本研究提出了一种结合顺序公交网络设计和最优学习的人工智能驱动算法，以逐步扩大路线系统并更新当前的操作员使用的知识，验证表明，考虑相关性的探索可以实现比贪婪选择更好的性能，在未来的研究中，该问题可能加入更多复杂性如出行时间弹性、换乘次数无限制和扩展成本等方面。

    May, 2023

  • 自主运输网络设计的神经进化算法

    规划自动驾驶公交车网络是一个具有挑战性的优化问题。我们提出了一种新颖的算法来规划自动驾驶公交车的线路网络。我们首先训练了一个图神经网络模型作为构建线路网络的策略，然后将该策略作为进化算法中的一种变异操作符之一。我们在一套标准的运输网络设计基准上评估该算法，发现它在现实基准实例上比独立学习的策略提高了最多 20％，比普通的进化算法方法提高了最多 53％。

    Feb, 2024

  • 机器学习在公交运输分析中的优势

    利用监督机器学习算法分析德黑兰 BRT 巴士系统准时性的影响因素，并构建准确的预测模型，研究各算法的决策过程，揭示影响巴士线路效果的关键因素，为提高其性能提供有价值的见解。

    Oct, 2023

  • 使用深度学习注意力模型解决带时间窗口的车辆路径问题和提货配送问题

    使用注意力编码解码结构和一种新颖的插入启发式算法，我们以构造迭代深度学习算法解决带时间窗口的车辆路径问题，并比最佳已知学习解决方案更好地解决了该问题。

    Dec, 2022

  • 交通网络路径规划

    该研究论文调查了交通网络路线规划算法的最新进展，重点介绍了处理道路网络和公共交通网络的不同方法，以及其对查询时间、空间要求和预处理等方面的不同权衡，提出了多模态路径规划问题的近似解决方案。

    Apr, 2015

  • 下一代网络中自适应交通路由的深度增强学习方法

    我们研究并开发了一种深度强化学习（DRL）方法，用于自适应流量路由，该方法利用深度图卷积神经网络（DGCNN）在 DRL 框架中学习流量行为，并通过 Q 值估计选择路由路径，实现对流量动态的快速适应。与 OSPF 协议相比，实验结果表明了该框架的有效性和适应性，在增加网络吞吐量高达 7.8% 和减少 16.1% 的流量延迟方面取得了显著效果。

    Feb, 2024

  • 面向智慧城市交通系统的基于图形的机器学习的近期进展

    本文介绍了智能交通系统（ITS）的关键技术挑战及其现代化的应对之道，涵盖了从经典统计方法到现代机器学习和深度学习方法。特别介绍了基于图的机器学习方法以及其与 ITS 应用的关系，并详细阐述了两个最新颖的基于图的 ITS 应用示例。

    Jun, 2023

  • DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

    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

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017