Jul, 2024

深度网络与树模型的互补融合在 ETA 预测中的应用

PDF
TL;DR本研究论文提出了一种基于树模型和神经网络集成的新型 ETA（预计到达时间）估计方法，并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。
estimated time of arrivaletatransportation systemnavigation systemsintelligent transportation systems
发现论文，激发创造
  • Google Maps 中使用图神经网络进行 ETA 预测

    本文介绍了一种用于运输网络中估算出发时间的图神经网络模型，该模型使用了 MetaGradients 等算法优化方法，经过实际生产和现实情景分析的验证，在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高（最高达 40%）。

    Aug, 2021

  • DuETA: 百度地图交通拥堵传播模式建模的高效图学习用于到达时间预测

    本文提出了一种实用的 ETA 预测框架 DuETA，通过构建基于相关性的拥堵感知图和路线感知图转换器，可以捕捉空间上相距较远但与交通状况高度相关的路段对之间的交互作用，从而显著提高预测性能并已在百度地图中投入生产。

    Aug, 2022

  • 公共交通网络中 ETA 预测方法调查

    该研究综述了公交模式下预测到站时间算法的发展，强调对公共数据标准的需求以解决报道标准的不一致性和算法预测精度的测量统一性，推进社会公共交通的规范化发展。

    Apr, 2019

  • DeepTravel：一种基于神经网络的旅行时间估计模型，配有辅助监督

    本文提出一种基于深度神经网络的辅助监督模型 DeepTravel，能够自动提取不同特征并充分利用轨迹数据的时间戳，通过在真实数据集上的全面实验，证明了 DeepTravel 相对于现有方法的卓越性能。

    Feb, 2018

  • 采用概率密度扫描方法构建远程航行船只轨迹和预测到达时间

    本文提出了一种基于概率密度的轨迹构建方法，并通过一个典型应用 —— 根据起讫点预测到达时间（ETA），进行验证。ETA 预测基于概率密度轨迹提取的物理和数学规律。该方法在所选新加坡和澳大利亚港口间的整体轨迹预测误差平均约为 0.106 天（即 2.544 小时），标准偏差为 0.549 天（即 13.176 小时）。而该方法的准确率为 92.08%，R-Squared 值为 0.959。

    May, 2022

  • 物流、图形和变形器：改进旅行时间估计

    本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

    Jul, 2022

  • 基于层次化图结构的拥堵和预计到达时间预测

    本论文提出了一种使用图神经网络的方法，直接在道路图的拓扑结构上预测交通情况，同时采用分层图表示来改善关键路口之间的信息流动，并研究了压缩道路图以提高信息流动效率的方法，并使用多任务方法同时预测拥堵级别和预计到达时间。

    Nov, 2022

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • 多数据融合与深度学习预测船舶到达引航区时间

    使用多数据融合和深度学习方法对船舶抵达引航区的到达时间进行预测，通过提取船舶到达轮廓、数据融合和深度学习等方法，取得了良好的预测准确度和优于基准方法的结果。

    Mar, 2024

  • 基于深度元学习的多城市场景下细粒度轨迹旅行时间估计

    通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

    Jan, 2022