Jan, 2024

预测天空：一种用于航班级乘客流量预测的新模型

PDF
TL;DR借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。
发现论文，激发创造
  • 基于时空深度学习的即需打车服务乘客需求短期预测

    通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

    Jun, 2017

  • 加强下一个目的地预测：一种使用现实世界航空数据的新型 LSTM 方法

    本研究旨在开发一种精确的模型，通过捕捉旅行数据中的序列模式和依赖关系，实现对个体旅行者未来目的地的准确预测，为现代交通运输行业带来多重益处，并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。

    Jan, 2024

  • 使用长短期记忆神经网络预测渡轮客流

    使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。

    May, 2024

  • 基于大数据的空域拥塞预测

    提出了一种新的数据管理和预测系统，可准确预测国家空域系统（NAS）特定空域区域内的飞机计数。对美国的大量实际轨迹、天气和空中交通数据进行评估，验证了我们的系统在每个空域部门高效准确地预测飞机计数。

    Oct, 2023

  • 基于元胞自动机模型和 CNN-LSTM 架构的交通流预测深度学习

    基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

    Mar, 2024

  • 用于交通预测的图神经网络：综述

    本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

    Jan, 2021

  • 利用稀疏地理位置数据预测旅游流量

    21 世纪的现代旅游面临着众多挑战，其中游客数量快速增长、历史城市、博物馆等地区空间有限以及桥梁等瓶颈是最大的问题之一。本文中，我们通过使用深度学习方法（如 RNNs、GNNs 和 Transformers）以及经典的统计 ARIMA 方法在游客流量预测领域进行实证评估，扩展了旅游区域提供的有限数据，并引入了游客的地理位置轨迹、天气和假日等外部数据，以提高预测准确性和处理稀疏数据的能力。

    Aug, 2023

  • 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

  • 基于时空相关性的混合深度学习框架的短期交通流量预测

    本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

    Dec, 2016

  • 基于大规模数据的航空公司市场影响最大化

    该研究提出了一种基于预测的优化框架，通过调整航班频率，在美国国内航空客运市场上最大化市场影响力。通过神经网络预测市场影响力，进而定义一个预算约束下的航班频率优化问题，并提出了一种新型的自适应梯度上升（AGA）方法进行优化。该方法在清空采用实验中，效果显著优于传统方法。

    May, 2021