Apr, 2024

基于数据驱动建模的城市交叉口交通拥堵预测

PDF
TL;DR通过商用车辆行程记录数据集，该研究旨在开发预测模型，用于美国主要城市交叉口的交通拥堵，包括正交坐标、街道名称、时间和交通指标等特征，并结合其他特征如降雨 / 降雪百分比、距离市中心和市郊的距离以及道路类型，通过数据探索、特征转换和处理缺失值的方法，提出的模型有助于帮助城市规划者和政府预测交通热点，优化运营，识别基础设施问题。
发现论文，激发创造
  • 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

  • 辅助信息深度序列学习的交通预测

    本研究中，提出了一种编码器 - 解码器序列学习框架，通过适当集成三种隐含但本质的因素来提高交通预测的准确性：离线地理和社会属性、道路交叉口信息和在线人群查询。对来自百度的真实数据集的定性和定量实验验证了我们框架的有效性。

    Jun, 2018

  • 使用人工智能进行交通预测：近期进展和新机遇综述

    该研究论文主要介绍了交通预测的重要性和如何通过应用新兴技术以及人工智能等方法来改善交通预测。同时，该论文还着重总结了多元交通时间序列建模的数据预处理方法以及未来研究的主要挑战。

    May, 2023

  • 利用 Neo4j 和深度学习进行交通拥堵模拟和优化

    该研究使用知识图谱模拟交通拥堵问题，并利用负载平衡、优化算法来识别无拥堵的道路网络，同时训练 RNN-LSTM 深度学习模型进行交通预测，结果表明基于图形的交通模拟，辅以 AI ML 交通预测可更有效地估计道路网络的拥堵程度。

    Apr, 2023

  • 基于循环神经网络的自然驾驶员意图和路径预测

    使用循环神经网络和混合密度网络在城市路口进行多模态路径预测和聚类，验证了方法的性能和广泛适用性。

    Jul, 2018

  • 基于遥感的概率图像驱动交通建模

    用遥感图像直接建模时空交通模式的多模态、多任务变压器分割架构，包含地理时空位置编码模块和自然建模时间变化的概率目标函数，在 Dynamic Traffic Speeds (DTS) 数据集上显著提升交通模型的性能，并引入 DTS++ 数据集支持与移动相关的位置适应实验。

    Mar, 2024

  • 预测城市变化对行人和道路安全的影响

    本文研究了如何利用历史事故数据和街景图像自动预测城市干预对事故发生率的影响，结果显示可以利用机器学习工具优先考虑有针对性的城市干预措施，从而提高行人和车辆的安全性。

    Feb, 2022

  • 通过城市人类活动分析提升时空交通预测

    提出了一种基于图卷积深度学习算法的改进交通预测方法，利用国家家庭旅行调查的人类活动频率数据增强了活动与交通模式之间的因果关系推断能力，从而实现了最先进的性能表现，而无需引入过多的计算开销。

    Aug, 2023

  • 可扩展的段级交通拥堵函数学习

    提出并研究了一个数据驱动框架，用于在全球范围和分段细粒度上识别交通堵塞函数（宏观交通变量观测之间的数值关系）。与为每个道路估计单独的参数集的方法相比，我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。

    May, 2024

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023