大规模 OD 矩阵估计的深度学习方法
本文提出了一种利用深度学习方法推断 OD 序列结构的方法,并使用结构约束引导传统数值优化,以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明,提供的结构信息不仅包含对 OD 矩阵的空间结构的约束,而且还提供了对 OD 序列的时间结构的约束,能够较好地解决滞后问题。
Jul, 2023
本文介绍了一种基于网络视角的图去噪扩散方法,用于生成城市范围内的 OD 矩阵,并通过区域级别的城市特征来学习所有元素的条件联合概率分布,该方法解决了城市范围内 OD 矩阵数据学习困难的问题,并在本文中针对两个大型美国城市的数据进行了实证实验。
Jun, 2023
本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架,该框架能够从通行信息中预测时空 O-D 流,并利用新泽西州收费站的数据验证了该模型,结果表明我们的方法在各种预测方案下都能够取得最佳性能,同时也展示了深度学习和卡尔曼滤波相结合的优势。
May, 2019
本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架,通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据,预测乘客的 OD 流量,同时确定覆盖道路网络的网格单元的最佳大小,得到较优的预测效果。
Jan, 2023
提出了 ODformer 模型,使用 OD Attention 机制捕捉 OD 对的特殊空间依赖关系,在与 2D-GCN 相结合后大大提高了模型在不同应用方案下的预测能力,并使用 PeriodSparse 自注意力有效预测不同场景下长序列 OD 矩阵系列。经过大量实验证明,该方法优于现有的最先进方法。
Aug, 2022
本文提出了一种名为 “ODGN” 的新型数学建模方法,它采用物理学与机器学习的结合,包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术,用于更好地建模人口流动分布,并通过真实数据的实验验证了其与基准算法相比的优越性。
Jun, 2023
本文提出一种基于道路网络的 OD 行程旅行时间估计方法,结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术,提出了多任务弱监督学习框架,该框架同时针对路段和交叉口优化期望对数似然函数,从而解决了 GPS 轨迹缺失的问题,实验验证了该方法对旅行时间估计和路线恢复的有效性。
Jan, 2023
本文提出了一种基于深度学习方法,通过蒙特卡洛方法计算动态高维空间下的最优输运问题的解法。与其他方法相比,我们的方法在更高维度下能够给出更准确的结果,并具有良好的可扩展性。
May, 2022
利用人工智能的强大模式识别能力,通过整合代表交通需求和路网数据的开放数据源构建了一种用于公路碳排放估计的层次异构图学习方法 (HENCE),在两个大规模真实世界数据集上的广泛实验验证了该方法的有效性和优越性,验证了其在推动人工智能应用于碳排放管理和可持续发展方面的成功。
Feb, 2024
本文提出将 MRI 图像重建问题作为一种优化问题,使用神经 ODE 模型其优化轨迹,并探究了基于三种 ODE 求解的模型,相比 UNet 和级联 CNN 等其他方法,模型表现更好,参数效率更高,从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。
Jun, 2020