- 可解释的城市交通拥堵预测中的级联专家混合模型
快速城市化大幅加剧了交通拥堵问题,因此需要先进的拥堵预测服务来增强智能交通系统。本文介绍了一种拥堵预测混合专家模型 (CP-MoE),通过稀疏门控自适应图学习器 (MAGLs) 和两个专门的专家解决了异构和动态时空依赖性的挑战,从而提供更稳 - 具有泛化能力的隐式神经表示作为通用的时空交通数据学习器
基于时空隐式神经表示的通用交通数据学习器,通过将交通数据参数化为隐式神经表示的形式,利用坐标为基准的神经网络对高频结构进行编码,将可变性分解为各个独立的过程,使用谱嵌入技术实现在传感器图中的建模,以连续表示的方式,统一输入来建模多样的交通数 - 最佳感兴趣区域下的实时车道交通监控
这篇论文介绍了一种新型系统,可以自动从高速公路摄像头视频中学习车道位置和交通方向,收集实时、针对车道的交通数据,以实现高效的交通分析和决策,提高高速公路安全性。
- 时间增强浮动车观察者
浮动车观察者方法可使用传感器装备的车辆收集交通数据,通过微观交通仿真模拟的检测模拟,即使 FCOs 的渗透率很低也能够在给定路口识别出大量车辆,在当前帧中,利用先前时刻的数据可以增强对车辆的检测。我们的研究发现,使用 20 秒的观测窗口,可 - 双胞胎车联网络在密集区域是否能提升其性能?
该研究探讨了数字孪生(DT)在提升密集人口城区中的网络性能方面的潜力,具体关注车辆网络。研究包括两个阶段,第一阶段利用交通数据和人工智能聚类来确定关键位置,尤其是在事故率高的拥挤城区。第二阶段评估了通过三种部署场景对车辆网络进行孪生的优势: - 基于功耗受限设备的长期交通数据收集的学习
通过预测与控制数据采集时机,利用历史数据重构完整数据文件,以延长系统寿命并提高估计准确性。
- 基于图形关联的交通领域特征模式检索
交通数据的快速增长为揭示有关交通动态的更深入信息提供了许多机会,但也需要一个有效的数据库管理系统,其中信息检索是一个重要的功能。本文提出了一个用于高速公路交通拥堵的时空模式的基于内容的检索系统。
- 提取环路检测数据集的信息本质:网络级交通预测需要更多数据吗?
提出了一种基于不确定性感知的交通预测框架,通过结合交通流理论和图神经网络的模型设计,在单次模型训练中能够量化不同来源的不确定性,并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明,从 2018 年到 2021 年, - 自我监督的多任务学习框架:基于车载摄像头实现安全健康导向的互联驾驶环境感知
本文提出了一种基于图像合成和分解的双向 BPISD 方法,以及一种新的自监督多任务学习框架,可以同时估计深度、大气可见度、空气光和 PM2.5 质量浓度,从而进一步提高交通安全性、空气质量和公共卫生。
- ST-GIN:基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法
本文提出一种创新的深度学习方法来填充交通数据中的缺失值,采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性,实验结果表明该方法优于所有基准技术,展示了其有效性。
- 抗部分遮挡的鲁棒方法
本文通过引入遮挡,利用斯坦福汽车数据集,创建综合分析模型,研究了不同模型在不同遮挡条件下的性能,可以进一步用于视频交通数据分析处理犯罪、收入预测等领域。
- 交通时间序列插值的拉普拉斯卷积表示
提出一种基于低秩性和拉普拉斯卷积的 Traffic 数据修复模型模型 (LCR),在各种时间序列数据的实验中比现有基线模型更有效和更高效。
- 交通预测的时空交互动态图卷积网络
提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型,可以有效地进行交通预测,具有更好的性能。
- 基于 Twitter 数据的印度道路交通事件描述 —— 无监督学习方法
本文利用无监督学习模型利用 Word-embeddings 计算语义相似性对推特进行有效分类来增强印度交通数据的动态监测和预测。
- CVPR第四届 AI 城市挑战赛
第四届 AI 城市挑战赛吸引了来自 37 个国家的 315 支参赛队伍,他们利用城市规模真实交通数据和高质量的合成数据竞争四个挑战赛道,结果表明 AI 技术能够使交通系统更加智能和安全。
- MM物联网数据分析的机器学习:一项调查
本文评估了处理物联网数据挑战的不同机器学习方法,以智能城市为主要案例。该研究的关键贡献是提供一个机器学习算法分类法,阐述如何应用不同技术从数据中提取高层次信息。此外,还讨论了机器学习在物联网数据分析中的潜力和挑战,并介绍了应用支持向量机(S - 深度确定性策略梯度用于城市交通信号灯控制
本文旨在提出一种使用深度学习 DDPG 算法来优化交通信号灯时序的方法,以应对交通数据信息量大的情况,并在简单和复杂的交通网络测试中获得了良好结果。
- 基于 STARIMA 的具有时间变化滞后的交通预测
本文研究了基于时空自回归积分移动平均模型的交通流短期预测方法,采用一种基于 ISODATA 的无监督分类算法进行时间段分类,以确定适当的时间滞后,并在真实交通数据上进行了实验,优于传统交叉相关方法和不使用时变滞后的模型。