Predicting Space Tourism Demand Using Explainable AI
Florida Institute of Technology（佛罗里达理工学院）
本文提出遵循 NIST 指南的可解释 AI 框架 SpaceNet，基于1860份美国调查数据预测四类太空旅游需求，并解释关键影响因素。
2025-03-17 cs.LG
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
The Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；Didi Chuxing（滴滴出行）
随着移动互联网技术的快速发展，按需叫车服务越来越受欢迎，并在很大程度上重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起讫点（OD）需求的准确短期预测，平台可以在实时匹配、空闲车辆重新分配和共乘车辆路径等方面做出准确及时的决策。与许多先前研究所研究的基于区域的需求预测相比，基于OD的需求预测更具挑战性。这主要是由于不同OD对需求之间复杂的空间和时间依赖性。为了克服这一挑战，我们提出了时空编码器-解码器残差多图卷积网络（ST-ED-RMGC），这是一种新型的深度学习模型，用于预测各种OD对的乘车需求。该模型首先构造OD图，利用邻接矩阵刻画不同OD对之间的非欧成对地理和语义相关性。其次，基于所构造的图，设计了残差多图卷积（RMGC）网络来编码上下文感知的空间依赖性，并使用长短期记忆（LSTM）网络来编码时间依赖性，到稠密向量空间中。最后，我们再利用RMGC网路将压缩向量解码回OD图，并预测未来的OD需求。通过对纽约市曼哈顿的出租车辆数据集进行广泛的实验，我们表明我们提出的深度学习框架的性能远远优于最先进的框架。
2019-10-17 cs.LG eess.SP
BusTr: Predicting Bus Travel Times from Real-Time Traffic
UC Berkeley（加州大学伯克利分校）；Google Research（谷歌研究院）
我们提出了BusTr，一个机器学习模型，用于将道路交通预测转化为公交车延误的预测，谷歌地图使用该模型为世界上大多数没有提供官方实时的【形】公交车跟踪的公共交通系统提供服务。我们证明了我们的神经序列模型在性能（-30%MAPE）和训练稳定性方面都优于最先进的基线DeepTTE。我们还展示了较简单模型的显着泛化增益，在纵向数据上进行评估，以应对不断变化的世界。
2020-07-02 cs.LG stat.ML
Predicting the Travel Distance of Patients to Access Healthcare using Deep Neural Networks
Chang Gung University（长庚大学）；Academia Sinica（中央研究院）
目的：在卫生政策设计过程中，改善地理可及性仍然是确定区域医疗资源充足性的关键问题。然而，患者的选择可能是各种因素复杂互动的结果。本研究的目的是提出一种深度神经网络方法来模拟复杂的决定，病人选择的旅行距离，以获得医疗服务，这是一个重要的指标，决策分配资源。方法：我们使用台湾4年的全国保险数据，并积累了早期文献中讨论的可能特征。本研究提出使用基于卷积神经网络（CNN）的框架进行预测。模型性能与其他机器学习方法进行了测试。提出的框架进一步解释使用集成代理（IG）分析的特征权重。结果如下：我们成功地证明了使用基于CNN的框架来预测患者旅行距离的有效性，准确度为0.968，AUC为0.969，灵敏度为0.960，特异性为0.989。基于CNN的框架优于所有其他方法。在这项研究中，IG权重可能是可以解释的;然而，这种关系并不对应于公共卫生中的已知指标，类似于常见的共识。结论：我们的研究结果证明了基于深度学习的旅行距离预测模型的可行性。它具有指导资源分配决策的潜力。
2021-12-07 cs.LG
SAR-Net: A Scenario-Aware Ranking Network for Personalized Fair Recommendation in Hundreds of Travel Scenarios
Alibaba Group（阿里巴巴集团）；The University of Sydney（悉尼大学）
阿里巴巴的旅游营销平台为Fliggy、淘宝、支付宝等数百个不同的旅游场景提供了不可或缺的作用。要为访问不同场景的用户提供个性化推荐服务，有两个关键问题需要仔细解决。首先，由于不同场景的交通特点，训练一个统一的模型来服务所有人是非常具有挑战性的。其次，在推广期间，由于人工干预，一些特定项目的曝光量会重新加权，从而产生有偏差的日志，这会使使用这些有偏差的数据训练的排名模型降级。在本文中，我们提出了一种新的场景感知排名网络（SAR-Net）来解决这些问题。SAR-Net通过两个特定的注意力模块学习用户的跨场景兴趣，从不同的场景中获取丰富的数据，分别利用场景特征和项目特征来调节用户的行为特征。然后，以前一模块的编码特征为输入，采用一个特定于机器人的线性变换层进一步提取特定于机器人的特征，接着是两组去偏专家网络，即，粮农组织特有专家和粮农组织共有专家。它们独立地输出中间结果，这些中间结果通过多场景门控模块进一步融合到最终结果中。此外，为了减轻人工干预造成的数据公平性问题，我们提出了公平系数（FC）的概念来衡量个体样本的重要性，并使用它来重新权衡去偏专家网络中的预测。在覆盖超过8000万用户和155万旅游项目的离线数据集上的实验和在线A/B测试证明了我们的SAR-Net的有效性及其优于最先进的方法。
2021-10-19 cs.AI cs.IR cs.LG
Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services
Université de Montréal（蒙特利尔大学）；Polytechnique Montréal（蒙特利尔综合理工学院）
公共交通服务质量的一个重要方面是其可靠性，其定义为服务属性的不变性。在规划期间采取的预防措施可以减少整个运营过程中的不可靠风险。为了解决服务规划阶段的可靠性问题，一个关键的信息是旅行时间密度的长期预测，它传达了旅行时间的不确定性。我们介绍了一种可靠的方法，在公共交通服务规划的问题之一，即多车场车辆调度问题（MDVSP），它需要作为输入的一组行程和概率密度函数（p.d.f.）。的行程时间，以输出延迟容忍的车辆调度。这项工作经验比较概率模型的预测条件p.d.f.作为迈向可靠MDVSP解决方案的第一步。两种类型的概率模型，即基于相似性的密度估计模型和平滑的Logistic回归的概率分类模型，比较了超过41,000人次和蒙特利尔市的50条公交线路的数据集。绝大多数概率模型的结果优于随机森林模型的结果，后者本身并不是概率性的，因此突出了对条件p.d. f建模的附加值。用概率模型来计算旅行时间。使用$k$最近邻方法和核密度估计的基于相似性的密度估计模型预测了真实条件p.d. f的最佳估计。在这个数据集上。
2021-02-03 cs.LG math.OC
Proposing a Model for Predicting Passenger Origin-Destination in Online Taxi-Hailing Systems
University of Tehran（德黑兰大学）
本文面向网约车系统提出结合K-means聚类、非负矩阵分解与堆叠循环神经网络的乘客起讫点预测模型，在1小时和30分钟窗口上分别降低MAPE 5-7%和14%。
2023-06-03 cs.LG eess.SP stat.ML
A Clustering-aided Ensemble Method for Predicting Ridesourcing Demand in Chicago
University of Florida（佛罗里达大学）
准确预测出行需求对于有效的交通规划和决策至关重要。随着人工智能（AI）的兴起，研究人员已经开始利用机器学习模型来预测出行需求，在许多情况下，这种模型可以产生比统计模型更高的预测精度。然而，大多数现有的机器学习研究使用全局模型来预测需求，忽略了空间异质性的影响（即，解释变量影响的空间差异）。空间异质性可以驱动参数估计随空间变化;不考虑空间变化可能会限制模型的预测性能。为了考虑空间异质性，本研究提出了一种基于聚类辅助的包围方法（CEM）来预测区域间（人口普查区到人口普查区）的乘车服务需求。具体来说，我们开发了一个聚类框架，将起点-目的地对分成不同的聚类，并集成特定于聚类的机器学习模型进行预测。我们实施和测试所提出的方法，使用在芝加哥的乘车行程数据。结果表明，由于模型结构更加透明和灵活，CEM比基准模型（即，全局机器学习和统计模型直接在所有观察上训练）。这项研究为交通研究人员和从业人员提供了一种新的出行需求预测方法，特别是对于新的出行模式，如乘车和微出行。
2021-09-08 cs.LG
Synthesizing Attitudes, Predicting Actions (SAPA): Behavioral Theory-Guided LLMs for Ridesourcing Mode Choice Modeling
本文提出SAPA框架，利用大语言模型从出行调查数据中合成基于行为理论的潜在态度，并结合倾向得分与出行属性预测网约车选择，实验显示其PR-AUC较最先进基线提升高达75.9%。
2025-09-18 cs.AI cs.LG
Predicting Listing Prices In Dynamic Short Term Rental Markets Using Machine Learning Models
本文面向动态短期租赁市场，提出结合情感分析特征工程的机器学习方法，用于预测得州奥斯汀 Airbnb 房源价格并识别价格驱动因素。
2023-08-14 cs.LG
Predicting Blossom Date of Cherry Tree With Support Vector Machine and Recurrent Neural Network
我们的项目探讨了温度和樱花开花日期之间的关系。通过建模，未来的开花将变得可预测，帮助公众计划旅行并避免花粉季节。为了准确预测樱花的开花日期，可以被视为一个多类分类问题，所以我们应用多类支持向量分类器（SVC）和循环神经网络（RNN），特别是长短期记忆（LSTM），制定问题。最后，我们评估和比较这些方法的性能，找出哪一个可能更适用于现实。
2022-10-10 cs.LG
On Predicting Sociodemographics from Mobility Signals
Department of Civil and Environmental Engineering, University of Washington（土木与环境工程系，华盛顿大学）；Department of Technology, Management and Economics, Technical University of Denmark（技术、管理与经济系，丹麦技术大学）
本文提出基于有向移动图的高阶行为特征、置信度校准诊断工具和多任务学习框架，从移动信号中更准确、可解释且泛化地预测年龄、性别、收入和家庭结构等社会人口属性。
2025-11-06 cs.LG
Deciphering Air Travel Disruptions: A Machine Learning Approach
North Carolina State University（北卡罗来纳州立大学）
该研究面向航班延误预测，比较 LSTM 类时间序列模型与多种回归基线，并独立分析天气、安保等延误成分以识别关键特征。
2024-08-05 cs.LG
Exploring Non-Linear Effects of Built Environment on Travel Using an Integrated Machine Learning and Inferential Modeling Approach: A Three-Wave Repeated Cross-Sectional Study
Massachusetts Institute of Technology（麻省理工学院）；University of Texas at Austin（得克萨斯大学奥斯汀分校）
本文基于奥斯汀三波家庭出行调查，融合机器学习与推断建模分析建成环境对出行的非线性及阈值效应，证明其长期预测贡献超过个人与家庭因素，并支持精明增长政策。
2024-11-19 cs.CY cs.LG stat.AP
Travel Time Prediction using Tree-Based Ensembles
TU Dortmund University（多特蒙德工业大学）；FZI Forschungszentrum Informatik（FZI信息技术研究中心）
在本文中，我们考虑的任务，预测在城市场景中的任意两个点之间的旅行时间。我们认为这个问题从两个时间的角度来看：长期预测与几天的视野和短期预测与一个小时的视野。这两种观点都与城市交通和运输服务背景下的规划任务有关。我们利用基于树的集成方法，我们训练和评估从纽约市的出租车行程记录的数据集。通过大量的数据分析，我们确定了相关的时间和空间特征。我们还根据天气和路线数据设计其他功能。后者通过在道路网络上运行的路由求解器获得。计算结果表明，添加此路由数据可以有益于模型的性能。此外，采用不同的模型进行短期和长期预测是有用的，因为短期模型更适合反映当前的交通状况。事实上，我们表明，准确的短期预测可以获得只有很少的训练数据。
2020-05-28 cs.LG stat.ML
Predicting Mortality from Credit Reports
University of California, Irvine（加利福尼亚大学欧文分校）
许多国家定期收集与个人消费者金融行为（如信用卡和贷款活动）有关的数百个变量的数据，这些数据在贷款决策中发挥着重要作用。我们假设，这些数据的详细性质可以用来预测在看似无关的领域，如个人健康的结果。我们建立了一系列机器学习模型来证明信用报告数据可以用来预测个人死亡率。与信用卡和各种贷款（主要是无担保贷款）相关的变量组具有显著的预测能力。这些变量的滞后也很重要，因此表明动态也很重要。基于消费者金融数据的死亡率预测的改进可能对保险市场产生重要的经济影响，但也可能引起隐私问题。
2021-11-05 cs.LG econ.GN q-fin.EC
DelayPTC-LLM: Metro Passenger Travel Choice Prediction under Train Delays with Large Language Models
Shenzhen Technology University（深圳技术大学）；Shenzhen University（深圳大学）
本文提出DelayPTC-LLM框架，利用大语言模型的小样本学习能力，结合提示工程处理乘客异质性和延误事件特征，解决地铁延误下出行选择预测中的数据稀疏与样本不平衡问题，并在深圳地铁真实数据上验证了其优于传统模型的预测准确性。
2024-09-28 cs.LG
Combining data from multiple sources for urban travel mode choice modelling
Faculty of Mathematics and Information Science（数学与信息科学学院）；Warsaw University of Technology（华沙理工大学）；Institute of Infrastructure, Transport and Mobility（基础设施、交通与 mobility 研究所）；SGH Warsaw School of Economics（SGH 华沙经济学院）
本研究提出一个融合多源数据的软件平台，计算多种新颖特征，用于机器学习预测城市出行方式选择，实验显示准确率最高提升18.2%。
2024-05-15 cs.CY cs.LG
Inferring, Predicting, and Denoising Causal Wave Dynamics
University of Tübingen（图宾根大学）；University of Hohenheim（霍恩海姆大学）
新型分布式人工神经网络体系结构（DISTANA）是一种生成式递归图卷积神经网络。它实现了局部可参数化的横向连接的网络模块的网格或网格。DISTANA是专门设计来识别空间分布，非线性动力学过程背后的因果关系。我们表明，DISTANA非常适合对数据流进行降噪，因为可以观察到重复出现的模式，在复杂的空间波传播基准上，其性能明显优于其他方法，例如时间卷积网络和ConvLSTM。它甚至可以在数百个时间步长上产生稳定和准确的闭环预测。此外，它能够有效地过滤噪声-通过应用去噪自动编码器原理或通过回顾性地主动调整潜在神经状态活动，可以进一步提高这种能力。结果证实，DISTANA已准备好模拟真实世界的时空动态，如大脑成像，供应网络，水流或土壤和天气数据模式。
2020-09-19 cs.LG stat.ML
Predicting battery end of life from solar off-grid system field data using machine learning
数亿人用不上电。分散式太阳能电池系统是解决这一问题的关键，同时避免了碳排放和空气污染，但由于成本相对较高，而且位于农村地区，因此无法及时进行预防性维护。根据运行数据准确诊断电池健康状况并预测寿命终止，可改善用户体验并降低成本。但缺乏受控的验证测试和可变的数据质量意味着现有的基于实验室的技术无法工作。我们应用可扩展的概率机器学习方法来诊断1027个太阳能连接的铅酸电池的健康状况，每个电池运行400-760天，总计6.2亿个数据行。我们展示了73%的寿命终止预测准确率，提前八周，在故障点上升到82%。这项工作突出表明，有机会利用“大数据”技术，在不增加设备的情况下，从现有的测量数据中估计健康状况，从而延长使用寿命并提高实际应用的性能。
2021-07-29 cs.LG cs.SY eess.SY
Machine learning modeling for time series problem: Predicting flight ticket prices
Computer Science, EPFL（瑞士洛桑联邦理工学院计算机科学系（注：EPFL通常译为洛桑联邦理工学院，此处按原文“Computer Science, EPFL”提取，机构级别为学院/系，按要求提取到大学级别，EPFL作为独立机构整体处理））
机器学习已经应用到各个领域。本文介绍了机器学习如何应用于时间序列问题。特别地，我们使用机票预测问题作为我们的具体问题。航空公司使用许多不同的变量来确定机票价格：指标是否旅行是在假期期间，在飞机上的免费座位数等一些变量被观察到，但其中一些是隐藏的。基于103天的数据，我们训练了我们的模型，得到了最好的模型-AdaBoost-决策树分类。该算法在观察到的8条路由上的性能最好，比随机购买策略的性能高61.35 $\%$，并且在这些路由上的方差相对较小。同时考虑到某些航线的历史数据不多（如新航线没有历史数据），或者不想对历史数据进行训练来进行预测以快速购买或等待的情况，本文采用基于HMM序列分类的AdaBoost-决策树分类方法对12条新航线进行了预测。最后，我们得到了31.71 $\%$优于随机购买策略的性能。
2018-02-04 cs.LG
Data Augmentation Using Many-To-Many RNNs for Session-Aware Recommender Systems
由Booking.com组织的ACM WSDM WebTour 2021挑战赛专注于在旅游领域应用会话感知推荐系统。给定用户旅行中的一系列旅行预订，我们希望推荐用户的下一个目的地。为了处理输出空间的大维度，我们提出了一个多对多的RNN模型，预测用户在每个序列步骤中选择的下一个目的地，而不仅仅是最后一个。我们展示了这是如何在多对一RNN中进行数据增强的计算效率替代方案，其中我们考虑从第一个元素开始的会话的每个子序列。我们的解决方案在最终排行榜中排名第四，准确率为0.5566。
2021-08-22 cs.IR cs.LG
Polestar: An Intelligent, Efficient and National-Wide Public Transportation Routing Engine
Baidu Research（百度研究院）；Baidu Inc.（百度公司）；University of Central Florida（中佛罗里达大学）；Rutgers University（罗格斯大学）
公共交通在人们的日常生活中起着至关重要的作用。事实证明，公共交通比任何其他形式的旅行都更环保、更高效、更经济。然而，由于交通网络的日益扩张和更复杂的出行情况，人们难以通过公共交通系统有效地找到从一个地方到另一个地方的最优选路线。为此，在本文中，我们提出了Polestar，一个数据驱动的智能和高效的公共交通路由引擎。具体来说，我们首先提出了一种新的公共交通图（PTG）模型的各种旅行成本，如时间或距离的公共交通系统。然后，我们介绍了一个通用的路线搜索算法，再加上一个有效的站绑定方法，有效的候选路线生成。在此基础上，我们提出了一个两遍候选路线排名模块，以捕捉用户的偏好下动态的旅行情况。最后，在两个真实数据集上的实验证明了Polestar在效率和有效性方面的优势。事实上，在2019年初，Polestar就已经部署在全球最大的地图服务之一百度地图上。迄今为止，Polestar服务于330多个城市，每天回答超过一亿个查询，并实现了用户点击率的大幅提高。
2020-07-11 cs.AI cs.LG stat.ML
Assessing the Early Bird Heuristic (for Predicting Project Quality)
North Carolina State University（北卡罗来纳州立大学）
在研究人员急于对所有可用数据进行推理或尝试复杂的方法之前，也许首先检查更简单的替代方案是明智的。具体地说，如果历史数据在某个小区域中具有最多的信息，那么从该区域学习的模型可能足以用于项目的其余部分。为了支持这一说法，我们提供了一个案例研究与240个项目，我们发现，在这些项目中的信息“丛”对项目的最早部分。从前150个提交中学习的质量预测模型也可以工作，或者比最先进的替代方案更好。仅使用这些“早起的鸟儿”数据，我们就可以在项目生存周期的早期非常快速地构建模型。此外，使用这种早期的鸟方法，我们已经证明了一个简单的模型（只有几个功能）可以推广到数百个项目。基于这一经验，我们怀疑先前关于推广质量模型的工作可能会不必要地使本来简单的过程复杂化。此外，以前的工作集中在后期生存周期的数据需要重新审视，因为他们的结论是从相对缺乏信息的地区。复制说明：我们所有的数据和脚本都可以在这里找到：https://github.com/snaraya7/early-bird
2023-01-11 cs.AI cs.LG cs.SE
Contextual Stochastic Vehicle Routing with Time Windows
School of Management, Technical University of Munich（慕尼黑工业大学管理学院）；Amazon.com, Inc.（亚马逊公司）；Munich Data Science Institute, Technical University of Munich（慕尼黑工业大学慕尼黑数据科学研究所）；Polytechnique Montréal（蒙特利尔理工学院）
本文研究了带时间窗的上下文随机车辆路径问题，提出基于历史数据的数据驱动规范性模型，并开发分支-定价-割算法求解，实验表明特征依赖的样本平均近似在多数场景下性能最优。
2024-02-10 cs.LG math.OC
ProtGO: A Transformer based Fusion Model for accurately predicting Gene Ontology (GO) Terms from full scale Protein Sequences
University of Central Florida（中佛罗里达大学）
本研究提出基于Transformer的蛋白质功能注释融合模型ProtGO，可从全序列预测GO术语，准确率达当前最优，轻量低耗且不受序列长度限制。
2024-12-08 cs.LG q-bio.GN
Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge
Bolt Technology（博尔特科技）；University of Bucharest（布加勒斯特大学）
准确的交通预测对于优化出行规划和高效的城市交通至关重要。IARAI（人工智能高级研究所）组织了一项基于真实数据的年度交通预测竞赛“Traffic 4cast”[https：//www.iarai.ac.at/traffic4cast/]，旨在利用人工智能的进步来产生准确的交通估计。我们提出了我们的解决方案，IARAI的mixic 4cast 2022竞争，其中的目标是开发预测道路图边缘拥堵类和超段级行驶时间的算法。与前几年相比，今年的比赛侧重于建模图边缘水平的行为，而不是更粗糙的聚合基于网格的交通电影。由于这一点，我们利用了一种类似于表格数据建模的方法--梯度提升决策树集成。我们降低了代表交通计数器的输入数据的维数与经典的PCA方法的帮助下，并将其作为输入到LightGBM模型。这种简单、快速和可扩展的技术使我们在核心竞争中获得第二名。源代码和对训练模型文件和提交的引用可在https://github.com/skandium/t4c22上获得。
2022-10-31 cs.LG
Predicting trends in the quality of state-of-the-art neural networks without access to training or testing data
Calculation Consulting（计算咨询公司）；ICSI（国际计算机科学研究所）；University of California at Berkeley（加州大学伯克利分校）
在许多应用中，人们使用由其他人训练的神经网络模型。对于这样的预训练模型，可能无法访问训练数据或测试数据。此外，人们可能不知道关于模型的细节，例如，训练数据的细节、损失函数、超参数值等。给定一个或多个预训练模型，要说出模型的预期性能或质量是一个挑战。在这里，我们通过对数百个公开的预训练模型进行详细的元分析来解决这一挑战。我们检查规范为基础的容量控制指标，以及幂律为基础的指标，从最近开发的重尾自正则化理论。我们发现，基于规范的指标与训练良好的模型的测试准确性相关，但它们通常无法区分训练良好的模型和训练不良的模型。我们还发现，基于幂律的度量可以做得更好-定量地更好地区分一系列具有给定架构的训练有素的模型;定性地更好地区分训练有素的模型与训练不足的模型。这些方法可用于识别预训练的神经网络何时存在无法通过检查训练/测试准确性来简单检测的问题。
2021-06-02 cs.LG physics.data-an stat.ML
Human-Flow Digital Twin for Predicting the Effects of Mobility Introduction on Visitor Circulation
bitA Inc.（bitA公司）；The University of Osaka（大阪大学）；RIKEN Center for Computational Science（理化学研究所计算科学中心）
本文提出了一种利用人类流动数字孪生预测移动引入措施对访客流动影响的框架，通过多智能体模拟器模拟访客根据当前位置和景点吸引力选择目的地的过程，并利用训练好的决策模型来量化移动引入措施对访客数量和流动的影响。
2026-05-17 cs.LG cs.MA
Predicting Conversion of Mild Cognitive Impairments to Alzheimer's Disease and Exploring Impact of Neuroimaging
Kharkevich Institute for Information Transmission Problems（哈尔克维奇信息传输问题研究所）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究所）
如今，许多科学工作集中在将深度学习方法应用于神经成像数据的阿尔茨海默病（AD）诊断上。即使在2017年，也有100多篇论文专门用于AD诊断，而只有少数作品考虑了轻度认知障碍（MCI）转化为AD的问题。然而，转换预测是一个重要的问题，因为每年约有15%的MCI患者收敛到AD。在目前的工作中，我们专注于使用脑磁共振成像和临床数据，如人口统计学，认知评估，遗传和生化标志物进行转换预测。首先，我们在神经成像数据上应用了最先进的深度学习算法，并将这些结果与我们使用临床数据拟合的两种机器学习算法进行了比较。因此，在临床数据上训练的模型优于应用于MR图像的深度学习算法。为了进一步探索神经成像的影响，我们在所有可用的MRI上使用具有直方图损失的相似性学习训练了深度前馈嵌入，并获得了神经成像数据的64维向量表示。使用来自深度嵌入的学习表示可以提高基于神经成像的预测质量。最后，该数据集上的当前结果表明，神经成像确实会影响转换预测，但不能显著提高预测质量。预测MCI到AD转换的最佳结果由在临床和嵌入数据上训练的XGBoost算法提供。得到的准确度为0.76 ± 0.01，ROC曲线下面积为-0.86 ± 0.01。
2018-07-30 cs.CV cs.LG stat.ML
Predicting property damage from tornadoes with zero-inflated neural networks
Cooperative Institute for Research in Environmental Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校环境科学合作研究所）
龙卷风是所有大气风暴中最猛烈的。在典型的一年中，美国经历了数百次龙卷风，相关的损失约为10亿美元。准确预测这些经济损失将有利于社区的准备和复原力，特别是在龙卷风易发地区人口密度和范围增加的情况下。在这里，我们使用零膨胀的建模方法和人工神经网络预测龙卷风引起的财产损失使用公开的数据。我们开发了一个神经网络，预测龙卷风是否会造成财产损失（样本外准确度= 0.821，受试者工作特征曲线下的面积，AUROC = 0.872）。在龙卷风造成破坏的条件下，另一个神经网络预测破坏量（样本均值平方误差= 0.0918，R2 = 0.432）。当一起使用时，这两个模型作为具有隐藏层的零膨胀对数正态回归。从表现最好的模型中，我们提供了2019年每月预测的损坏和财产损失概率的静态和交互式网格地图。两个主要弱点包括：（1）模型拟合需要对数尺度数据，这导致大的自然尺度残差;（2）使用了龙卷风的起始坐标，而不是龙卷风的路径。最终，这是第一个直接模拟龙卷风引起的财产损失的已知研究，所有数据，代码和工具都是公开的。该模型的预测能力以及交互式界面可能为科学知情的龙卷风灾害规划提供机会。
2019-07-19 cs.LG stat.AP stat.ML
Deep hybrid model with satellite imagery: how to combine demand modeling and computer vision for behavior analysis?
Massachusetts Institute of Technology（麻省理工学院）；University of California at Berkeley（加州大学伯克利分校）；The University of Hong Kong（香港大学）；University of Florida（佛罗里达大学）
本文提出一种结合数值数据与卫星影像的深度混合模型框架，通过混合算子与行为预测器将两类数据整合到潜在空间，在芝加哥出行方式选择分析中超越传统需求模型和深度学习，并兼具经济可解释性。
2024-02-22 cs.CV cs.LG econ.GN
Fire-Image-DenseNet (FIDN) for predicting wildfire burnt area using remote sensing data
Imperial College London（帝国理工学院）；Computer Network Information Center, Chinese Academy of Sciences（中国科学院计算机网络信息中心）；École des Ponts（巴黎路桥学院）；EDF R&D（法国电力研发中心）；Institut Polytechnique de Paris（巴黎综合理工学院）；University of California, Davis（加利福尼亚大学戴维斯分校）；Hong Kong University of Science and Technology（香港科技大学）；University of Reading（雷丁大学）
针对现有物理模型难以准确预测大型长时野火的问题，提出基于深度学习的FIDN模型，利用多源遥感气象空间特征预测过火面积，在美西野火数据集上精度与速度均显著优于传统模型，为消防规划提供支撑。
2024-12-02 cs.AI cs.CE cs.CV
