传统交通预测基于传感器数据的范围有限,综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案,使用网络活动计数,但缺乏关键的方向性。因此,我们提出了 TeltoMob 数据集,其中包含无向电信计数和相应的方向流,以预测道路上的方向性移动流。为了解决这个问题,我们提出了一个两阶段的时空图神经网络(STGNN)框架。第一阶段使用预训练的 STGNN 处理电信数据,而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性,并证实了其有效性。我们还展示了如何将该框架融入现实交通系统,以增强可持续城市移动性。
May, 2024
提出一种新的自适应核回归方法,通过自调节核函数来缓解数据不平衡,从而更准确地估计基于大规模互联网质量开放数据集的移动互联网质量,可应用于其他应用。
Nov, 2023
利用卫星图像和隐私增强的移动数据相结合的新型数据融合方法,用于增强实时或历史事件推断任务,应用场景包括农村地区的小规模灾害检测(如龙卷风、野火和洪水)、偏远荒野地区失踪徒步者的搜救以及战乱国家的活动冲突区域和人口流离失所地的识别。
Jan, 2024
利用多颗卫星的多样数据进行协作感知以及利用图神经网络进行有效的频谱感知,同时采用联合子 - Nyquist 采样和自动编码器数据压缩框架以及对丢失数据进行对比学习,以实现高效的频谱感知性能并在频谱感知准确性上超越传统深度学习算法。
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
利用散射变换从多通道卫星图像中提取高级特征,并引入分离方案以关注独立输入通道,通过实验对热带气旋强度估计和卫星图像中雷电预测显示出有希望的结果。
Oct, 2022
本文提出一种基于深度神经网络和三维地图预测城市环境中的无线电信号强度分布的算法,该方法不需要发射器位置知识和削弱、遮蔽参数等副通道信息,既可用于无人机或移动机器人部署优化也可应用于动态频谱访问网络、蜂窝覆盖设计和功率控制算法等方面。
Nov, 2020
本文提出了一种基于字典学习的交替方向方法,用于综合研究和预测蜂窝网络流量建模和预测框架,并提高了预测准确性和鲁棒性。
Jun, 2016
本文报道了一种新的方法,该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性,从而提高了移动蜂窝流量预测的准确性,这可以应用于边缘或中心化学习,可用于预测短期未来一段高速公路覆盖区域的负载。
May, 2023
本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络(STN)结构和双 STN 技术(D-STN),通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验,证明了所提出的(D-)STN 方法可以实现高达 10 小时的精确预测,并且与其他流行的预测方法相比,可以获得高达 61% 的更小预测误差。
Dec, 2017