Dec, 2023

利用 AI-Truck 进行建筑废弃物运输活动的短期预测

PDF
TL;DR预测城市规模下重污染天气期间渣土车活动级别的实用问题，设计了一种深度集成学习框架（称为 AI-Truck），利用 BI-LSTM、TCN、STGCN 和 PDFormer 作为基分类器，以 1km×1km 的分辨率，在中国成都市的一个面积为 193 平方公里的区域内预测渣土车活动的级别。作为分类器，AI-Truck 在 0.5 小时和 1 小时预测中实现了接近 80％的 Macro f1。
construction waste hauling trucksnox and pm emissionson-road and on-site fugitive dustspatial and temporal access restrictionsdeep ensemble learning framework
发现论文，激发创造
  • 预测建筑废弃物运输车辆的交通活动：一种输入 - 输出隐马尔可夫方法

    基于 IOHMM 模型的预测方法可以准确地预测建筑垃圾运输车辆的目的地和停留时间，从而有助于有效的环境管理。

    Dec, 2023

  • 利用深度学习在瓦伦西亚市建立实时交通警报

    该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

    Sep, 2023

  • 大数据分析用于分类土方工程相关位置：成都研究

    通过使用倾卸车轨迹、城市兴趣点（POI）和土地覆盖数据，对城市空气污染源进行分类，并研究特征与尘埃污染源之间的关系，以实现准确的分类。该方法在成都的 Alpha MAPS 系统中成功实施，为城市污染控制提供决策支持。

    Feb, 2024

  • TrafficPredict: 面向异构交通行为的轨迹预测

    提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

    Nov, 2018

  • 基于时空深度学习的高速公路交通量预测

    通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

    Aug, 2023

  • 利用深度学习进行有毒都市烟雾的时空预测

    ST-GasNet 是一种新颖的深度学习模型，通过学习由高分辨率大涡模拟模型生成的地面有毒城市羽流的时间序列，准确预测了随时间演化的空间特征，对于即使建筑物将大型羽流分裂成小型羽流的情况也能准确预测后期的时空演变，且通过结合大尺度风边界条件信息，在整个预测期内达到至少 90% 的预测准确度。

    May, 2024

  • 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

  • 使用具备物理意识的 AI 模型预测车辆排放：初步结果

    本文利用 OBD 数据集和基于物理的排放预测模型，旨在开发一种准确且计算效率高的人工智能方法来预测车辆排放，实证结果表明，相较于低阶物理模型和基础模型，提出的人工智能方法可使预测准确率提高 65％和 35％。

    May, 2021

  • 电动重型车辆辅助能源消耗预测

    准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要，本文介绍了一种基于子集训练的回归模型，该模型在复杂问题中将其拆分为更简单的子问题，以实现更好的回归性能和解释性。

    Nov, 2023

  • 通过跨公司的转移学习方法预测卡车司机对安全氛围的感知与货车事故

    通过预训练然后微调迁移学习方法和深度神经网络算法，利用来自多家卡车公司的数据进行神经网络模型训练，以更准确地预测事故风险，从而提高卡车行业的安全性和可持续性。

    Feb, 2024