Oct, 2023

机器学习助力纽约地铁导航更安全更快

PDF
TL;DR通过整数规划模型，结合机器学习技术，采用各种方法如泛化线性模型、线性回归和循环神经网络，我们旨在在最短路径和最安全路线之间实现安全和效率的平衡。通过在不同地铁站点上计算均方根误差（RMSE），我们评估最准确的安全系数模型，并进行全面的最短路径算法综述，根据时间复杂度和真实世界数据评估其在安全和时间效率融合中的适用性。
safety prioritizationinteger programmingmachine learningsafety coefficient estimationshortest-path algorithms
发现论文，激发创造
  • 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

  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 基于深度学习加权图的短途公交路线规划决策支持系统

    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。

    Aug, 2023

  • 自主铁路系统的安全分析：SACRED 方法论简介

    铁路行业的自主与机器学习不断增长，需要解决安全性问题和确定关键度量标准，因此引入了 SACRED 方法，以生成初步安全案例并确定自主系统的重要安全度量标准。

    Mar, 2024

  • 使用人工智能预防车祸

    通过使用机器学习技术，结合交通事故和气象数据，该研究旨在预测交通事故的严重程度并减少交通事故。

    Jun, 2022

  • MLNav: 学习在火星地形上安全导航

    本研究提出了一种利用机器学习增强路径规划的方法，能够在完全考虑安全约束的前提下提高路径规划的效率并减少计算成本，实验证明该方法可以适用于在复杂环境中操作的资源受限的系统，例如在火星上导航的探测车。

    Mar, 2022

  • 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

  • 一个监督的混合量子机器学习应用于紧急逃生路径问题的解决方案

    采用监督混合量子机器学习优化自然灾害期间汽车紧急疏散计划的潜力研究。研究聚焦于地震紧急情况，将问题建模为一个动态计算图，其中地震会破坏城市的某个区域，居民试图通过到达交通堵塞的出口点来撤离城市。该研究提出了一种新颖的混合监督学习方法，并在具体城市图上对假设情景进行了测试。该方法使用一种新型的量子特征线性调制（FiLM）神经网络，并行于经典 FiLM 网络，以模仿确定动态图上的 Dijkstra 最短路径算法，从而增加了整个模型的表达能力。混合监督学习代理根据 Dijkstra 最短路径的数据集进行训练，能够成功学习导航任务。量子部分相对于纯经典监督学习方法提高了 7% 的准确性，并且该网络在预测中有 45.3% 的重要贡献度，可以在基于离子的量子计算机上执行。结果显示，监督混合量子机器学习有助于改善自然灾害期间的紧急疏散计划。

    Jul, 2023

  • 如何确保安全的控制策略？走向城市公共交通自主运营的强化学习

    提出了一种用于安全智能控制城市轨道交通自主运营列车的 SSA-DRL 框架，结合了线性时态逻辑、强化学习和蒙特卡洛树搜索，可以生成满足速度约束、时间表约束和优化运营流程的安全控制指令序列。通过消融实验和与计划操作方案的比较，评估了该框架在城市轨道交通自主运营中的决策效果。

    Nov, 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