Jan, 2024

基于拓扑凭证的路网方向性配置的数据驱动韧性框架

HTML
PDF
TL;DR通过整合优化的暴力搜索方法和决策支持框架以对道路配置进行排名，本研究提出了一种新颖的道路重配置技术，以增强交通流量，减少拥堵，并利用数据驱动决策来改善整体道路网络性能。该框架综合了多种准则决策分析方法、机器学习和网络科学指标，使交通规划者能够做出明智的决策，从而实现更可持续、高效和具有弹性的道路配置。
发现论文，激发创造
  • 基于稀疏数据建模网络级流量转移

    本研究提出了DTIGNN方法，通过建立动态图模型，利用交通信号灯，学习基础交通流过渡方程，并在流程中进行插补，从而从稀疏数据中预测网络级交通流。经实验证明，该方法优于其他方法，可更好地支持交通决策。

    Aug, 2022

  • 使用图神经网络（GNN）对交通网络中的图进行边缘排名

    该文章提出一种基于图神经网络的边缘排序方法，用于评估不同边缘连接的重要性，并在大规模网络中表现出高效和准确的性能，此方法特别适用于城市基础设施的改进、电力和水资源网络的弹性分析以及工程网络的资源分配优化。

    Mar, 2023

  • 基于多图融合的道路网络节点重要性排序学习

    本论文提出了一种基于图学习的节点排序方法(MGL2Rank)，将道路网络的多样性特征集成在其中，包括道路路段的车道数和平均速度，实现了路网节点的重要性排序。我们采用多图融合的采样算法(MGWalk)来建立道路路段之间的关联，利用嵌入式模块学习每个路段的潜在表征，最终获得节点表征来学习道路路段的重要性。在实验中，我们以沈阳市的区域道路网络为例，证明了该方法的有效性。

    May, 2023

  • 通过生成图变换器构建交通基础设施模型

    本文提出了一种新的交通预测方法，称为交通基础模型（TFM），该模型结合了交通仿真原则和图形结构，能够更准确地预测城市交通状况。

    May, 2023

  • 利用图注意力网络进行故障评估和鲁棒网络设计的 FERN 方法

    本研究提出了一个基于神经网络的FERN框架，使用图注意力网络提供一个常规核以改善现有解决方案的可操作性和可扩展性，该框架可用于各种网络设计问题，包括网络验证、网络升级优化和容错流量工程。经实验证明，FERN可以更高效、更准确地识别关键故障场景，与不同拓扑和输入流量模式具有良好的泛化能力。

    May, 2023

  • 交通网络的无监督学习拓扑分类

    对城市交通系统的建模、优化、仿真和数据分析的研究逐渐增多。本研究采用无监督学习方法，尤其是聚类方法，通过综合评估交通网络的拓扑特征，利用主成分分析和等度映射减少特征之间的相关性，实现交通网络的分类。结果表明，PCA方法和K-means聚类方法最为有效，使交通网络能够被划分为五个簇，并提供了相关分类讨论。

    Nov, 2023

  • 利用数据驱动的宏观模型在未观测网络位置进行交通估计

    该研究使用宏观模型和来自自动交通计数器和探针车辆的多源时空数据，准确估计了无法测量这些指标的路段的交通流量和行程时间。使用名为MaTE的模型，该模型基于宏观交通流理论，可在仅使用观察到的这些指标的测量值的情况下进行网络范围内的交通流量和行程时间估计。实验结果显示，MaTE模型在交通行程时间估计方面表现优于数据驱动的基准模型。

    Jan, 2024

  • 调整全局 MFD 速度估算的深度学习方法与本地链路配置

    本研究提出了一种基于深度学习框架(GATs与GRUs相结合)的交通优化方法，通过引入Local Correction Factor(LCF)来准确估计每个路段的速度，从而弥补了传统模型在细粒度交通优化和分析方面的不足。实验结果表明，该模型具有很好的鲁棒性和实用性。

    May, 2024

  • 沿途了解：以道路能力为驱动的图卷积网络在全网络交通预测中的应用

    本研究介绍了道路容量驱动的图卷积网络（RCDGCN）模型，该模型在时空环境中结合静态和动态道路容量属性，用于预测整个网络的交通状态，并在实际数据集上进行了评估。结果显示，RCDGCN在预测准确性方面优于基线方法，并通过各种分析表明了容量相关因素的影响。该研究展示了RCDGCN在交通系统管理方面的潜力。

    Jun, 2024

  • 用于城市交通信号灯管理系统的离线元黑箱优化框架

    本研究针对复杂城市道路网络中的交通拥堵问题，提出了一种新的离线元黑箱优化框架，以动态调整交通信号灯的相位组合和相位时间分配。通过采集元数据集并利用注意力神经过程（ANP）进行不确定性预测，再通过贝叶斯优化进行设计选择，该方法在多样化的交通模式下表现优越，实际应用中能将交通通行能力提高4.80%。

    Aug, 2024