在这篇论文中，我们提出并比较了在基于站点的自行车共享系统中为用户推荐站点的策略，首先是基于排队理论的推荐策略，其根据用户的利益推荐距离较近且更有可能找到自行车或停车位的站点；然后，我们进一步定义了一种策略，将特定用户的利益与全局系统的利益相结合，以实现在预期未来需求方面改善自行车和停车位分布，以隐式地避免或缓解平衡问题。我们通过对马德里自行车共享系统 BiciMAD 的实际数据进行了多个实验来评估我们的提议。

Jan, 2024

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

Mar, 2024

本研究提出了一个机器学习模型框架，用于估计大规模自行车共享系统的小时需求，并利用两个梯度提升模型以及基于 SHapley Additive exPlanations 的模型解释框架进行实证分析，结果表明性别比例和时间段是两个最重要的解释变量。

Nov, 2023

本文通过系统架构、目标和方法等方面，全面综述了预测性维护（PdM），并从知识、传统机器学习（ML）和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法，提出了重要的未来研究方向和目标。

Dec, 2019

提出了一种基于预测性维护的集成系统，通过从传感器数据收集的信息，准确预测装甲车辆的维护需求，评估了所提出的集成模型的稳定性和表现，结果表明该系统具有高精度和高召回率，可以有效预测维护需求，从而减少车辆停机时间，提高运营效率，强调了基于机器学习的预测性维护解决方案的潜力。

Jul, 2023

在当今技术驱动的时代，预防性维护和高级诊断的必要性不仅限于航空领域，还包括对旋转和移动机器中损坏、故障和操作缺陷的识别。实施这些服务不仅可以降低维护成本，还可以延长机器的使用寿命，确保更高的运营效率。此外，它还可以预防潜在事故或灾难事件。人工智能的出现已经在各个行业中彻底改变了维护工作方式，实现了对机器故障的更准确、更高效的预测和分析，从而节约时间和资源。我们提出的研究旨在深入研究各种机器学习分类技术，包括支持向量机（SVM）、随机森林、逻辑回归和基于卷积神经网络 LSTM 的方法，用于预测和分析机器性能。SVM 根据数据在多维空间中的位置将其分类到不同类别，而随机森林采用集成学习来创建多个决策树进行分类。逻辑回归使用输入数据来预测二元结果的概率。本研究的主要目标是评估这些算法在预测和分析机器性能方面的性能，考虑准确性、精确度、召回率和 F1 分数等因素。研究结果将帮助维护专家选择最适合的机器学习算法来有效预测和分析机器性能。

Mar, 2024

利用机器学习和深度学习模型以及传感器数据进行预测性维护，预测航空发动机故障，重点分析模型的解释性和预测准确性。

Sep, 2023

该论文描述了 MetroPT 数据集的来源、采集、特征和使用方法，该数据集是用于预测公共交通运输系统异常和故障的机器学习方法的一个很好的基准测试集。

Jul, 2022

本文介绍一种可视化工具，结合解释功能，用于展示基于时间序列数据训练的预测性维护模型导出的信息。

Mar, 2021