多区域特征感知的交通需求预测
通过深度学习技术在考虑时空相关性的情况下,提出了融合卷积长短时记忆网络的方法,用于预测中国杭州地区共享出行平台的短期客流需求,通过实验证实了该方法相较于传统方法的更高预测精度。
Jun, 2017
该研究提出一种基于深度学习的Deep Multi-View Spatial-Temporal Network (DMVST-Net)框架,用于在城市的出租车运营中预测需求,包括空间和时间相关性,并借助大数据的支持,提高了交通预测问题的效果。
Feb, 2018
本文提出了一种基于Contextualized Spatial-Temporal Network(CSTN)的出发地-目的地预测模型,其中包括LSC模块、TEC模块和GCC模块,主要用于预测出未来时间间隔内的各个区域之间的出租车需求情况,并且在大规模数据集上的实验证明了CSTN模型具有很好的预测性能。
May, 2019
本文提出了一种基于图的多步城市乘客需求预测模型,使用层次图卷积结构同时捕捉空间和时间相关性,结果表明该模型在三个真实数据集上表现出色。
May, 2019
本文提出了一种基于深度学习的新模型ST-ED-RMGC,用于准确预测不同OD对的出租车需求。在曼哈顿出租车数据集的广泛实验中,该模型的表现优于现有技术。
Oct, 2019
本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测,该模型在不同层次使用不同的邻接矩阵,并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低,并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中,本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。
Dec, 2020
本文介绍了一种新的交通工具需求预测方法,采用STA-MGCN网络和考虑周期特征的数据集,取得了骑行需求预测的最佳性能,结合纽约、芝加哥和成都三个实际数据集的测试分析。
Mar, 2022
本文提出了一种新的空间-时间神经网络框架ASTGCRN,其中包括图卷积循环模块GCRN和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
Feb, 2023
本文提出了一种名为交互卷积网络(Interactive Convolutional Network,ICN)的深度学习模型,用于预测共享微移动的时空旅行需求,该模型利用多维度的空间信息来构建深度学习模型,并评估了在芝加哥和奥斯汀两个真实案例中的表现,结果显示该模型明显优于选定的基准模型,在优化车辆平衡方案和城市共享微移动系统管理方面发挥作用。
Jun, 2023
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