Sep, 2024

DelayPTC-LLM：大语言模型下的地铁乘客出行选择预测

HTML
PDF
TL;DR本研究针对城市轨道交通网络中因列车延误引发的乘客出行选择预测问题，提出了一种基于大语言模型的DelayPTC-LLM框架。通过对真实数据的分析，验证了该模型在处理复杂稀疏数据方面的优越性，能够提高预测准确性，并为交通管理提供重要决策支持。
发现论文，激发创造
  • 基于时空深度学习的即需打车服务乘客需求短期预测

    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

  • 公共交通到站预测：使用Seq2Seq RNN方法

    本文提出了一种基于循环神经网络的数据驱动模型，用于实时预测公共交通系统的公交车到达时间，该模型智能地以一种独特的 (非线性) 方式结合了空间和时间相关性，在正确建模拥堵影响方面具有优越性。

    Oct, 2022

  • 大型语言模型用于旅行行为预测

    利用大型语言模型进行旅行行为预测，无需数据参数学习，准确性可与传统的监督学习方法相媲美，并能输出预测的原因，但存在逻辑矛盾或幻觉的情况。

    Nov, 2023

  • 基于非结构化文本的列车管理系统的层次延迟归因分类

    该研究旨在使用机器学习为基于事件描述的延误归因代码分配提供决策支持，并且结果表明分层方法比平面方法更有效，但均不如手工分类。

    Feb, 2024

  • 可解释的大语言模型交通流预测

    这项研究介绍了一种基于TP-LLM的可解释交通预测方法，通过将多模态因素作为语言输入统一起来，避免了复杂的时空数据编程，证明了大语言模型在交通预测方面的潜力。

    Apr, 2024

  • 交通系统中的大型语言模型：关于预测任务的调查

    使用大型语言模型(LLM)对移动性预测问题进行综述，介绍了在交通系统内使用LLM的应用、最新进展以及需要克服的挑战。

    May, 2024

  • 利用大型语言模型增强旅行选择建模：一种提示学习方法

    通过引入一种基于Prompt Learning的大型语言模型(LLM)框架，本文改进了个体选择预测的准确性，并提供了明确的解释。在旅行选择分析领域，LLM显著优于深度学习方法和离散选择模型，同时提供了个体层面的可理解和明确的解释。

    Jun, 2024

  • 在公共交通系统中使用大型语言模型，以圣安东尼奥为案例研究

    本研究通过对大型语言模型在公共交通系统中的整合对城市交通管理和乘客体验进行了重大突破的研究。通过利用自然语言处理、数据分析和实时通信的能力，利用GTFS和其他公共交通信息，研究突出了大型语言模型在优化路线规划、减少等待时间和提供个性化旅行帮助方面的潜力。我们的案例研究是圣安东尼奥市的一部分项目，旨在展示大型语言模型如何优化资源分配、提高乘客满意度并支持交通管理决策过程。我们评估了大型语言模型对信息检索和理解相关问题的回答。最终，我们认为在公共交通系统中采用大型语言模型可以实现更高效、响应更及时、用户友好的交通网络，为其他城市搭建了一个模型。

    Jun, 2024

  • 解读航空旅行延误：一种机器学习方法

    本研究针对航班延误的趋势进行调查，旨在填补航空延误预测中的技术空白。通过运用回归机器学习方法和时间序列模型，提出了一种新的分析方式，发现了影响航班延误的关键因素。这一研究为航班计划策略提供了潜在的信息，具有重要的应用价值。

    Aug, 2024

  • 基于多图诱导表示学习的城市轨道交通大规模需求预测

    该研究针对城市轨道交通（URT）网络在运营不确定性下的需求预测问题，提出了一种名为多图诱导表示学习（mGraphSAGE）的起止点需求预测模型。研究表明，利用多个图形且考虑运营不确定性（如列车延误和取消）可以显著提升需求预测的准确性，并在不同规模的URT网络中验证了该模型的有效性，尤其在不确定性条件下其表现超越了传统机器学习方法。

    Aug, 2024