Oct, 2023

XRMDN：基于循环混合密度网络的短期概率性需求预测架构（面向高波动性的移动出行系统）

PDF
TL;DR在实际的移动出行需求预测系统中，传统的时间序列预测方法难以准确预测高动态波动的需求。本研究提出了一种扩展循环混合密度网络（XRMDN）模型，通过对历史数据序列的趋势进行捕捉，提高了动态高波动环境下的预测精度，并在真实移动出行数据集上的综合实验证实了其性能优于统计学、机器学习和深度学习模型。该研究不仅对于移动出行需求预测有贡献，也在其他应用领域的优化问题、特别是在不确定环境下的优化中具有重要意义。
发现论文，激发创造
  • ARMDN：用于电商需求预测的联合与循环混合密度网络

    本研究提出了一种称为 AR-MDN 的神经网络结构，该结构能够同时模拟关联因素、时间序列趋势和需求方差，为在线零售组织提供精确的需求预测，同时也在消除需求方面存在的问题方面获得了显著的改进和提高。

    Mar, 2018

  • ResDMD：一种带有残差的 DMD 神经网络进行十年预测

    通过将神经网络引入 Dynamic Mode Decomposition 模型，让其能更好地模拟全球海表温度，以支持在几年到十年时间尺度内气候适应性决策的制定。

    Jun, 2021

  • 使用时空编码器 - 解码器残差多图卷积网络预测出行需求的起点和终点

    本文提出了一种基于深度学习的新模型 ST-ED-RMGC，用于准确预测不同 OD 对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。

    Oct, 2019

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • MCDFN：供应链需求预测通过可解释的多通道数据融合网络模型整合 CNN、LSTM 和 GRU

    通过深度学习构建融合多通道数据的网络（MCDFN），提高需求预测准确性并实现可解释性，优于其他七个深度学习模型，适用于供应链管理系统且为未来研究提供方向。

    May, 2024

  • 基于高斯过程的分布式数据融合和主动感知技术在即需移动性系统中的应用

    本文提出一种分散式数据融合和主动探测算法来进行实时的精细化移动需求感知并预测移动需求；并基于高斯过程的算法来解决预测性能和时间效率的平衡，并探讨了该算法可以使用机器人共享车辆在 MoD 系统中进行需求预测的问题。

    Jun, 2013

  • 混合密度网络在产品捆绑分类中的应用

    本文提出了两种基于混合密度网络的分类模型，通过将高斯混合模型拟合到数据中，并使用拟合的分布通过评估学习到的累积分布函数对给定样本进行分类。这些模型在三个公开数据集上表现略优于或与五个基准分类模型相当，并通过真实世界的产品捆绑应用展示了其实际用途。具体而言，我们使用这些模型从单个产品的合成销售数据中学习愿意支付（WTP）分布，并利用所学到的 WTP 分布的高斯混合表示来获得由两个产品组成的捆绑产品的 WTP 分布。这些提出的基于混合密度网络的模型能够很好地近似两个产品和捆绑产品的真实 WTP 分布。

    Feb, 2024

  • 基于多模态深度学习的交通流量预测的混合方法

    本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

    Mar, 2018

  • DEK-Forecaster: 融合 EMD-KNN 的新型深度学习模型用于交通预测

    本研究旨在使用深度序列方法来预测网络流量需求，其中包括基于经验模态分解（EMD）的噪声抑制、基于经验规则的异常值检测和基于 K - 最近邻的异常值缓解。

    Jun, 2023

  • 扩散卷积循环神经网络：基于数据的交通预测

    本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

    Jul, 2017