Nov, 2023

货运运输的时空特征：基于数据驱动的探索性分析

PDF
TL;DR从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。
modeling approachschedulingrouting patternsdigital freight transporttour data
发现论文，激发创造
  • 在城市空间中发现和表征移动模式：曼哈顿出租车数据的研究

    该研究利用非负张量因式分解和 HypTrails 贝叶斯方法将 Foursquare 和人口普查数据应用于曼哈顿出租车数据，以探索和解释人类流动的不同模式，证明人类流动不是一维的，而是包含时间和空间上的不同方面。

    Jan, 2016

  • 移动蜂窝网络中时空流量建模方法

    本文讨论了移动蜂窝网络中交通数据的变化模式，提出了一个基于时间和空间的综合模型，并验证了在现有移动蜂窝网络中三个不同区域的交通规律。

    Mar, 2017

  • 探索交通系统中多模态需求动态的研究

    本文采用数据驱动方法，研究交通运输系统中各种形式的干扰对城市移动性的不同影响，并通过对历史性小时出行需求数据进行异常检测和聚类，分类各种干扰情况下的多模式需求动态，为衡量不同干扰情景下的方式转移范围提供了参考。

    Jul, 2023

  • 一个基于数据驱动和多智能体的集装箱码头时段管理决策支持系统：以鹿特丹港为案例研究

    模型基于大样本历史数据，采用上下文感知并综合多个模块进行协同工作，旨在预测和控制货车到达终端大门的时间，以提高物流效率和交通流畅。

    Nov, 2023

  • 人口和就业特征对卡车流量的影响分析：基于 NextGen NHTS 出发地 - 目的地数据

    卡车运输由于灵活性和更快的交货速度等优点，仍然是美国货物运输的主要方式。了解人口和就业特征对卡车流量的影响对于更好的交通规划和投资决策至关重要。本研究使用美国人口普查局的人口和就业数据，利用机器学习算法（XGBoost）建立了一个模型来预测卡车流量，结果显示区域之间的距离是最重要的变量且与卡车流量呈非线性关系。

    Feb, 2024

  • 基于空间模式的公交到站时间估计动态模型（机器学习）

    本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

    Oct, 2022

  • 基于数据分析的汽车共享

    本文研究了欧洲 10 个城市中一家主要租车公司的车辆可用性相关的网络数字记录，以分析及推测车共用旅行和不同区域的客户用途以确定维修设施的位置。

    Jul, 2017

  • 物流、图形和变形器：改进旅行时间估计

    本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

    Jul, 2022

  • 提高货运模式选择模型的准确性：基于 2017 年 CFS PUF 数据集和集成学习技术的研究案例

    使用 2017 年商品流动调查的公共数据集，构建了一个高性能货物运输方式选择模型，提出了三个主要改进：针对每个独立的商品 / 行业类别构建本地模型，提取有用的地理特征，尤其是起始 / 目的地区域之间每种货运方式的派生距离，并应用附加的集成学习方法来结合本地和统一模型的结果，以提高性能。该方法在不引入外部信息的情况下实现了 92% 以上的准确度，相比在 10000 个样本上直接拟合随机森林模型，提高了 19% 以上。此外，使用 SHAP 值解释了所提模型的输出和主要模式。该模型框架可以增强现有货物运输方式选择模型的性能和可解释性。

    Feb, 2024

  • 使用机器学习从时空数据预测城市流动情况：一项调查

    本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

    Aug, 2019