Dynamic User Segmentation and Usage Profiling
University of Florida（佛罗里达大学）；Flipkart；Clarkson University（克拉克森大学）
本文针对超高维稀疏类别型用户使用数据提出一种基于协变量类的特征变换聚类策略，将二值使用向量映射到低维连续空间，并在大规模歌曲播放列表数据上验证了其能获得低重叠、规模相近的用户聚类，可支撑推荐系统与业务决策。
2023-05-27 cs.LG
Driver Profiling and Bayesian Workload Estimation Using Naturalistic Peripheral Detection Study Data
University of Cambridge（剑桥大学）；Cornell Tech（康奈尔科技校区）；Jaguar Land Rover（捷豹路虎）
本文提出了一种基于自然周边检测任务数据的驾驶员画像与贝叶斯工作负荷估计方法，通过监督学习和贝叶斯滤波实现近实时的工作负荷监测，F1分数分别达92%和81%。
2023-09-08 cs.LG cs.SY eess.SP
EGFR Mutation Prediction of Lung Biopsy Images using Deep Learning
Indian Institute of Technology, Bombay（印度理工学院孟买分校）；Tata Memorial Centre-ACTREC, HBNI（霍米·巴巴国立研究所塔塔纪念中心-先进治疗研究与教育中心）；Tata Memorial Centre-TMH, HBNI（霍米·巴巴国立研究所塔塔纪念中心-塔塔纪念医院）
肺癌治疗中靶向治疗的标准诊断程序涉及组织学亚型和随后的关键驱动突变（如EGFR）检测。尽管分子分析可以发现驱动突变，但这个过程往往昂贵且耗时。面向深度学习的图像分析为直接从整个载玻片图像（WSI）中发现驱动突变提供了更经济的替代方案。在这项工作中，我们使用定制的深度学习管道，在弱监督下，从苏木精和伊红染色的WSI中识别EGFR突变的形态学相关性，以及检测肿瘤和组织学亚型。我们通过对两个肺癌数据集- TCGA和来自印度的私人数据集进行严格的实验和消融研究来证明我们的管道的有效性。通过我们的管道，我们在TCGA数据集上实现了肿瘤检测的平均曲线下面积（AUC）为0.964，腺癌和鳞状细胞癌之间的组织学亚型为0.942。对于EGFR检测，我们在TCGA数据集上实现了0.864的平均AUC，在印度数据集上实现了0.783。我们的主要学习点包括以下几点。首先，如果要对目标数据集上的特征提取器进行微调，则使用在组织学上训练的特征提取器层没有特别的优势。其次，选择具有高细胞性的斑块，可能捕获肿瘤区域，并不总是有帮助的，因为疾病类别的迹象可能存在于肿瘤邻近的基质中。
2023-03-13 cs.AI cs.CV cs.LG
Short-term Demand Forecasting for Online Car-hailing Services using Recurrent Neural Networks
University of Tehran（德黑兰大学）
短时交通流预测是智能交通系统的关键问题之一，是智慧城市的重要组成部分。准确的预测可以使驾驶员和乘客更好地决定他们的出行路线，出发时间和出行起点的选择，这可以有助于交通管理。基于时间序列预测和机器学习的多种模型和算法被应用于该问题，并取得了令人满意的结果。最近，充足的数据和计算能力的可用性促使我们通过深度学习方法来提高预测精度。循环神经网络已成为时间序列预测中最流行的方法之一，然而，由于这些网络的多样性，哪种类型的网络是最适合这一任务的问题仍然没有得到解决。本文采用简单RNN单元、GRU和LSTM神经网络三种递归神经网络进行短时交通流预测。来自TAP30 Corporation的数据集用于构建模型，并将RNN与几个知名模型（如DEMA，LASSO和XGBoost）进行比较。结果表明，所有三种类型的RNN都优于其他RNN，但是，更简单的RNN，如简单的递归单元和GRU，在准确性和训练时间方面比LSTM表现得更好。
2019-01-29 cs.LG stat.ML
Frailty-Aware Transformer for Recurrent Survival Modeling of Driver Retention in Ride-Hailing Platforms
Civil \& Mineral Engineering University of Toronto Toronto, Canada
本文提出一种考虑脆弱性的变换器模型，用于网约车平台司机留存的复发生存建模，通过捕捉长期时间依赖性和司机异质性，提升了风险预测的准确性。
2025-11-25 cs.LG
Detecting Driver's Distraction using Long-term Recurrent Convolutional Network
Monash University（莫纳什大学）；Emotiv Research（Emotiv研究院）
在这项研究中，我们展示了一种新的脑机接口（BCI）的方法来检测驾驶员分心事件，以提高道路安全。我们使用一种商用无线耳机，它可以从大脑中产生EEG信号。我们从参与者那里收集了真实的EEG信号，这些参与者进行了40分钟的驾驶模拟，并被要求在驾驶时执行不同的任务。这些信号被分割成短窗口，并使用时间序列分类（TSC）模型进行标记。我们研究了不同的TSC方法，并设计了一个长期递归卷积网络（LCRN）模型。我们的研究结果表明，我们的LRCN模型在检测驾驶员分心事件方面比最先进的TSC模型表现更好。
2020-04-14 cs.LG eess.SP stat.ML
Driving Style Representation in Convolutional Recurrent Neural Network Model of Driver Identification
Ohio State University（俄亥俄州立大学）；Lyft Inc.（Lyft公司）；Google Inc.（谷歌公司）；Nationwide Mutual Insurance Co.（全美互惠保险公司）
识别驾驶风格的任务是分析驾驶员的行为，以捕捉将有助于区分不同驾驶员的变化。这项任务已经成为各种应用的先决条件，包括基于使用的保险，驾驶员教练，驾驶员行为预测，甚至设计自动驾驶汽车;因为驾驶风格编码这些应用所需的基本信息。在本文中，我们提出了一种深度神经网络架构，我们称之为D-CRNN，用于构建驾驶风格的高保真表示，它结合了卷积神经网络（CNN）和递归神经网络（RNN）的功能。使用CNN，我们从轨迹（例如转弯或制动事件）中捕获驾驶员行为的语义模式。然后，我们发现这些语义模式之间的时间依赖关系，使用RNN编码驾驶风格。我们通过在几个大型真实数据集上进行的大量实验，并将结果与最先进的深度学习和非深度学习解决方案进行比较，通过学习驾驶风格来证明这些技术对驾驶员识别的有效性。这些实验还展示了偏差消除的一个有用示例，展示了我们如何通过对每个驾驶员的不同轨迹进行采样来预处理输入数据，以防止空间记忆。最后，本文提出了一个不同的属性对驾驶员识别的贡献的分析，我们发现，发动机转速，速度和加速度是最好的组合功能。
2021-02-11 cs.CV cs.LG
Driver Identification Based on Vehicle Telematics Data using LSTM-Recurrent Neural Network
Autonomous Control and Information Technology (ACIT) Institute（自主控制与信息技术（ACIT）研究院）
尽管汽车安全系统取得了进步，但在过去十年中，汽车盗窃率有所上升，对互联网连接和自动驾驶汽车的网络安全攻击正在成为一种新的威胁。本文提出了一种深度学习模型，该模型可以基于车辆远程信息处理数据，从驾驶员的驾驶行为中识别驾驶员。所提出的长短期记忆（LSTM）模型基于从车辆远程信息处理数据中学习到的个人独特驾驶模式来预测驾驶员的身份。由于远程信息处理是时间序列数据，该问题被制定为一个时间序列预测任务，以利用嵌入的顺序信息。在三个自然驾驶数据集上对该方法的性能进行了评估，得到了高精度的预测结果。噪声和异常数据，通常是由传感器缺陷或环境因素的模型的鲁棒性也进行了研究。结果表明，该模型的预测精度仍然令人满意，优于其他方法，尽管异常和噪声引起的数据的程度。
2019-11-19 cs.LG cs.NE eess.SP
Robust and Subject-Independent Driving Manoeuvre Anticipation through Domain-Adversarial Recurrent Neural Networks
Pacmed；Medical Micro Instruments（医疗微仪器公司）；Teoresi Group（Teoresi集团）；Scuola Superiore Sant’Anna（圣安娜高等学校）
通过深度学习和计算机视觉技术，可以提前几秒钟准确预测驾驶操作。尽管使学习模型适应新驾驶员和不同车辆是强大的驾驶员辅助系统的关键，但到目前为止，这个问题几乎没有受到关注。这项工作提出通过领域自适应，一种与迁移学习密切相关的技术来应对这一挑战。提出了将域对抗递归神经网络（DA-RNN）应用于多模态时间序列驱动数据的概念证明，其中通过最大化辅助域分类器的损失来学习域不变特征。我们的实现使用Brain 4Cars数据集的单个驱动程序的leave-one-driver-out方法进行评估，以及使用通过驾驶模拟获得的新数据集，与没有适应相比，性能分别平均提高了30%和114%。我们还展示了微调网络部分以优化域独立特征提取的重要性。结果表明，该方法的适用性，驾驶辅助系统以及培训和仿真环境。
2019-02-26 cs.LG stat.ML
Sensor Fusion: Gated Recurrent Fusion to Learn Driving Behavior from Temporal Multimodal Data
Honda Research Institute, USA（美国本田研究院）；Carnegie Mellon University（卡内基梅隆大学）
战术驾驶员行为建模问题需要从丰富的多模态信号（包括视频、LiDAR和CAN总线数据流）中理解复杂城市场景中的驾驶员行为。然而，大多数深度学习研究都集中在学习车辆/环境状态（传感器融合）或驾驶员策略（从时间数据）上，而不是两者兼而有之。端到端学习这两项任务提供了最丰富的知识精华，但在制定和成功培训方面存在挑战。在这项工作中，我们提出了朝着这个方向迈出的有希望的第一步。受LSTM中的门控机制的启发，我们提出了门控递归融合单元（GRFU），它同时学习融合加权和时间加权。我们证明了它在监督回归和分类任务中优于多模态和时间基线的性能，所有这些都在自主导航领域。我们注意到HDD数据集中战术驾驶员行为分类的mAP得分比最先进的提高了10%，TORCS数据集上转向动作回归的总体均方误差下降了20%。
2020-01-21 cs.CV cs.LG
Infrastructure-based End-to-End Learning and Prevention of Driver Failure
Massachusetts Institute of Technology（麻省理工学院）；California Institute of Technology（加州理工学院）
提出基于基础设施的 FailureNet 循环神经网络，通过端到端学习车辆接近交叉口的轨迹来识别控制故障、感知错误和超速行为，并在 MiniCity 硬件部署中达到 84% 以上准确率。
2023-03-21 cs.AI cs.LG cs.RO
Passive and Active Learning of Driver Behavior from Electric Vehicles
University of Gothenburg（哥德堡大学）；Chalmers University of Technology（查尔姆斯理工大学）；Volvo Car Corporation（沃尔沃汽车集团）
本研究针对电动汽车驾驶员行为建模，比较非递归与递归模型在能耗预测中的表现，并探索多种主动学习方法以减少标注成本，发现主动采样可优于随机采样。
2024-05-23 cs.LG
A Machine Learning Smartphone-based Sensing for Driver Behavior Classification
Higher School of Communications of Tunis, University of Carthage（迦太基大学突尼斯高等通信学院）；CEMSE Division, King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学（KAUST）计算工程与科学学院（CEMSE Division））
驾驶员行为分析是保险行业和车队管理的主要问题之一，因此能够使用低成本的移动应用程序对驾驶员行为进行分类仍然是自动驾驶的焦点。然而，使用移动传感器可能面临安全、隐私和信任问题的挑战。为了克服这些挑战，我们建议使用智能手机中的Carla模拟器（加速度计，陀螺仪，GPS）收集数据传感器，以便使用速度，加速度，方向，3轴旋转角度（偏航，俯仰，滚动）对驾驶员行为进行分类，同时考虑到当前道路的速度限制和天气条件，以更好地识别危险行为。其次，在将来自多个传感器的轴间数据融合到单个文件中之后，我们探索用于时间序列分类的不同机器学习算法，以评估哪种算法的性能最高。
2022-02-01 cs.AI cs.LG cs.SY
News Session-Based Recommendations using Deep Neural Networks
CI&T；Brazilian Aeronautics Institute of Technology - ITA（巴西航空技术学院 - ITA）
新闻推荐系统旨在个性化用户体验，并帮助他们从一个大的和动态的搜索空间发现相关的文章。因此，新闻领域是一个具有挑战性的场景推荐，由于其稀疏的用户分析，快速增长的项目数量，加速项目的价值衰减，和用户的偏好动态变化。最近，通过在推荐系统中使用深度学习技术，特别是在项目的特征提取和基于会话的推荐中使用递归神经网络，已经取得了一些有希望的结果。在本文中，它提出了一个实例化的CHAMELEON -一个深度学习元架构的新闻推荐系统。该架构由两个模块组成，第一个模块负责学习新闻文章表示，基于它们的文本和元数据，第二个模块旨在使用递归神经网络提供基于会话的推荐。这项工作中的推荐任务是为用户会话预测下一个条目：“用户在会话中最有可能阅读的下一篇文章是什么？“用户会话上下文被架构利用来在这种极端的新闻推荐冷启动场景中提供额外的信息。该方法融合了用户行为特征和项目特征。一个时间离线评价方法也提出了一个补充的贡献，这样的任务更现实的评价，考虑到动态因素，影响全球读者的兴趣，如流行度，新近度和季节性。大量基于会话的推荐方法进行了实验，所提出的CHAMELEON元架构的实例化在最佳基准方法的前n个准确性和排名指标（命中率为10%，MRR为13%）方面获得了显着的相对改善。
2018-09-17 cs.AI cs.IR cs.LG
Enhancing Road Safety through Accurate Detection of Hazardous Driving Behaviors with Graph Convolutional Recurrent Networks
Universiti Putra Malaysia（马来西亚博特拉大学）；Abertay University（阿伯泰大学）
本文提出基于GConvLSTM的驾驶行为检测系统，结合公开与非公开CAN总线传感器数据，在边缘设备上实现高精度危险驾驶行为识别与实时预警，以提升道路安全。
2023-05-08 cs.AI cs.LG
Automatic Driver Identification from In-Vehicle Network Logs
CrySyS Lab（CrySyS实验室）；BME-HIT（布达佩斯技术与经济大学-海德维格电信与信息学学院）
汽车产生的数据正在以前所未有的规模增长。随着汽车逐渐成为物联网（IoT）生态系统的一部分，一些利益相关者发现了车载网络日志的价值，这些日志包含了汽车内部署的众多传感器的测量结果。这些丰富的数据也有望被第三方利用，用于分析司机，以提供个性化的增值服务。尽管先前的几项工作已经成功地证明了使用在车辆的CAN（控制器局域网）总线上捕获的车载网络数据来重新识别驾驶员的可行性，但是他们仅从已知的传感器信号（例如车辆的速度、制动踏板位置、方向盘角度等）推断驾驶员的身份。从CAN消息中提取。然而，汽车制造商故意不透露CAN日志中的确切信号位置和语义。我们表明，即使使用现成的机器学习技术，也可以推断出驾驶员身份，而无需对CAN协议进行逆向工程。我们在33个司机的数据集上展示了我们的方法，并表明一个司机可以被重新识别并与其他司机区分开来，准确率为75- 85%。
2019-10-25 cs.CR cs.LG eess.SP
Learning to Navigate Intersections with Unsupervised Driver Trait Inference
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
通过不受控制的交叉路口导航是自动驾驶汽车面临的主要挑战之一。识别其他驾驶员隐藏特征的细微差异可以在这种环境中导航时带来显着的好处。我们提出了一种无监督的方法来推断驾驶员的特点，如驾驶风格从观察到的车辆轨迹。我们使用一个变分自编码器与递归神经网络来学习一个潜在的表征的特点，没有任何地面真理的特点标签。然后，我们使用这种特征表示来学习自动驾驶车辆通过深度强化学习的T形交叉口的策略。我们的管道使自动驾驶汽车能够在处理不同特征的驾驶员时调整其行动，以确保安全和效率。我们的方法表现出良好的性能，并优于最先进的基线在T型交叉口的情况下。
2022-03-01 cs.AI cs.LG cs.RO
Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU
University of Memphis（孟菲斯大学）
实时预测交通量可以改善交通流量和道路安全。精确的交通量预测有助于提醒驾驶员沿其首选路线的交通流量，防止潜在的僵局情况。现有的参数模型不能可靠地预测动态复杂交通条件下的交通量。因此，为了实时评估和预测每个给定时间步长的交通量，我们开发了基于非线性记忆的深度神经网络模型。我们在Metro Interstate Traffic Volume数据集上进行的大量实验证明了所提出的模型在高度动态和异构交通环境中预测交通量的有效性。
2023-03-22 cs.LG
Learning Device Models with Recurrent Neural Networks
University of Maryland, Baltimore County (UMBC)（马里兰大学巴尔的摩县分校）
循环神经网络（RNN）是能够对复杂系统（包括图灵机）进行建模的强大结构。然而，从有限的训练集学习如此复杂的模型可能是困难的。在本文中，我们经验性地证明了RNN可以通过输入和输出状态观察来学习计算机外围设备的模型。这使得能够自动开发硬件设备的功能性纯软件模型。这些模型适用于任何数量的任务，包括设备验证、驱动程序开发、代码去混淆和逆向工程。我们表明，相同的RNN结构成功地模拟了从简单的测试电路到16550串口的六种不同的设备，并验证了这些模型能够产生与真实硬件等效的输出。
2018-05-21 cs.LG stat.ML
Adaptive Probabilistic Vehicle Trajectory Prediction Through Physically Feasible Bayesian Recurrent Neural Network
University of California, Berkeley（加州大学伯克利分校）
概率车辆轨迹预测对于自动驾驶的鲁棒安全性至关重要。目前的长期轨迹预测方法不能保证预测分布的物理可行性。此外，它们的模型不能适应预测的目标人类驾驶员的驾驶策略。在这项工作中，我们建议克服这两个缺点的贝叶斯循环神经网络模型组成的贝叶斯神经网络为基础的政策模型和已知的物理模型的情况下。贝叶斯神经网络可以集成复杂的输出分布，使轨迹分布族丰富。嵌入式物理模型保证了分布的可行性。此外，所采用的基于梯度的训练方法允许直接优化，以在长预测范围内获得更好的性能。设计了一种基于粒子滤波的参数自适应算法，使策略贝叶斯神经网络在线适应预测目标。通过一个具有多模态随机反馈增益和自然跟驰数据的玩具算例验证了所提方法的有效性。
2019-11-11 cs.LG stat.ML
Data Augmentation of IMU Signals and Evaluation via a Semi-Supervised Classification of Driving Behavior
Royal Institute of Technology (KTH)（皇家理工学院（KTH））；Georgia Institute of Technology（佐治亚理工学院）；Politecnico di Torino（都灵理工大学）；Lund University（隆德大学）
在过去的几年里，从数据中对驾驶员行为进行分类的兴趣激增。这种兴趣对于汽车保险公司来说尤其重要，由于隐私限制，汽车保险公司通常只能访问来自惯性测量单元（IMU）或类似设备的数据。在本文中，我们提出了一种半监督学习解决方案，根据驾驶员是否积极驾驶或基于此类IMU数据正常驾驶来对行程部分进行分类。由于标记IMU数据的数量有限且生成成本高，因此我们利用递归条件生成对抗网络（RCGAN）来生成更多的标记数据。我们的研究结果表明，通过利用RCGAN生成的标记数据，驾驶员的分类在79%的情况下得到了改善，与没有生成数据的驾驶员进行分类时相比。
2020-06-16 cs.LG eess.SP
Designing a Recurrent Neural Network to Learn a Motion Planner for High-Dimensional Inputs
University of California, Berkeley（加州大学伯克利分校）
机器学习在自动驾驶行业的使用推动了最近的一些进步。特别是，在感知和预测堆栈中使用大型深度学习模型已经证明是非常成功的，但仍然缺乏关于在规划堆栈中使用机器学习的重要文献。规划堆栈的当前技术水平通常依赖于快速约束优化或基于规则的方法。这两种技术都未能解决大量的基本问题，这些问题将允许车辆更类似于人类驾驶员的操作。在本文中，我们试图设计一个基本的深度学习系统来解决这个问题。此外，本文的主要目标是展示机器学习在自动驾驶汽车（AV）规划堆栈中的潜在用途，并为正在进行的和未来的研究提供基线工作。
2022-05-10 cs.LG cs.RO
Probabilistic Vehicle Trajectory Prediction over Occupancy Grid Map via Recurrent Neural Network
Hanyang University（汉阳大学）
在本文中，我们提出了一个有效的车辆轨迹预测框架的基础上，循环神经网络。基本上，车辆的轨迹的特性不同于规则移动物体的特性，因为它受到包括道路结构、交通规则和驾驶员意图的各种潜在因素的影响。现有技术的方法使用复杂的车辆行为模型描述这些因素，并推导出复杂的轨迹预测算法，这需要系统设计者进行密集的模型优化，以供实际使用。我们的方法是数据驱动的，使用简单，因为它通过深度神经网络模型从大量的轨迹数据中学习车辆的复杂行为。所提出的轨迹预测方法采用称为长短期记忆（LSTM）的循环神经网络来分析时间行为并预测周围车辆的未来坐标。所提出的方案将从传感器测量获得的车辆坐标序列馈送到LSTM，并产生关于车辆在占用网格地图上的未来位置的概率信息。使用高速公路驾驶收集的数据进行的实验表明，所提出的方法可以产生合理的未来轨迹的良好估计。
2017-09-01 cs.LG
A Baselined Gated Attention Recurrent Network for Request Prediction in Ridesharing
Southern University of Science and Technology (SUSTech)（南方科技大学）；University of Thessaly（色萨利大学）；Research Institute for Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院）
拼车服务因其对司机和乘客的便利性和成本效益以及其为实现联合国可持续发展目标做出贡献的强大潜力而受到全球欢迎。因此，近年来，人们对RSODP（拼车的起源-目的地预测）问题的研究兴趣激增，其目标是预测未来的拼车请求并提前为车辆提供时间表。大多数现有的预测模型都使用了深度学习。然而，它们未能有效地考虑空间和时间动态。本文提出了一种基于基线的门控注意递归网络（Baselined Gated Attention Recurrent Network，BGARN），该网络采用图卷积和多头门控注意提取空间特征，递归模块提取时间特征，基线传输层计算最终结果。该模型使用PyTorch和DGL（Deep Graph Library）实现，并使用纽约出租车需求数据集进行了实验评估。结果表明，BGARN在预测精度方面优于所有其他现有的模型。
2022-09-05 cs.LG cs.NE
Recurrent Super-Resolution Method for Enhancing Low Quality Thermal Facial Data
Xperi Corporation（Xperi公司）；National University of Ireland, Galway（爱尔兰国立高威大学）
从同一场景的单个或多个低分辨率图像获得高分辨率图像的过程对于现实世界的图像和信号处理应用是非常感兴趣的。这项研究是关于探索基于深度学习的图像超分辨率算法在热数据上的潜在用途，以产生高质量的热成像结果，用于车内驾驶员监控系统。在这项工作中，我们提出并开发了一种新的多图像超分辨率递归神经网络，以提高分辨率和改善非制冷热像仪捕获的低分辨率热成像数据的质量。端到端的全卷积神经网络是在室内环境条件下新采集的30个不同对象的热数据上从头开始训练的。热调谐超分辨率网络的有效性进行了验证定量以及定性的测试数据的6个不同的主题。该网络能够在4倍超分辨率的验证数据集上实现39.24的平均峰值信噪比，在定量和定性方面都优于双三次插值。
2022-09-21 cs.CV cs.LG eess.IV
Drowsiness-Aware Adaptive Autonomous Braking System based on Deep Reinforcement Learning for Enhanced Road Safety
University of Salento（萨勒诺大学）；Istituto Italiano di Tecnologia（意大利技术研究院）；Basque Center for Applied Mathematics（巴斯克应用数学中心）
本文提出基于深度强化学习的自适应自动刹车系统，结合车辆动力学与驾驶员生理数据，通过ECG信号检测清醒状态，提升道路安全。
2026-04-16 cs.LG
Fast Transient Simulation of High-Speed Channels Using Recurrent Neural Network
Google Inc.（谷歌公司）
通过使用电路模拟器生成眼图可能是非常计算密集的，特别是在存在非线性的情况下。当SPICE类电路仿真器处理处于瞬态状态的非线性系统时，通常在每个时间步长处涉及多个牛顿类迭代。在本文中，我们利用机器学习方法，具体来说，递归神经网络（RNN），生成黑盒宏模型，并实现显着减少计算时间。通过所提出的方法，首先训练RNN模型，然后在电路仿真器生成的相对较短的序列上进行验证。一旦训练完成，RNN可以用于对剩余序列进行预测，以生成眼图。训练成本也可以在训练后的RNN开始进行预测时摊销。此外，所提出的方法不需要复杂的电路仿真，也不需要大量的领域知识。我们使用两个高速链路的例子来证明，所提出的方法提供了足够的精度，而计算时间可以显着减少。在使用PAM4驱动器的高速链路示例中，RNN模型生成的眼图与商业电路仿真器获得的眼图具有良好的一致性。本文还研究了各种RNN拓扑结构，训练方案和可调参数对RNN模型的准确性和泛化能力的影响。研究发现，长短期记忆（LSTM）网络在预测瞬态波形的准确性方面优于普通RNN。
2019-02-08 cs.LG eess.SP stat.ML
Multivariate Arrival Times with Recurrent Neural Networks for Personalized Demand Forecasting
University of Toronto（多伦多大学）；Rubikloud Technologies Inc.（Rubikloud科技公司）
访问大量人口中的各种数据使得预测客户购买模式和对营销活动的反应成为可能。特别是，对经常重复购买的流行产品的准确需求预测至关重要，因为这些产品是利润的主要驱动力之一。然而，买方购买模式是非常多样化和稀疏的每产品的水平，由于人口异质性以及在跨产品类别的购买模式的依赖。传统的生存分析方法通过假设到达间隔时间服从参数分布，在处理删失数据时被证明是有效的。然后，通常在回归框架中拟合分布参数。另一方面，基于神经网络的模型采用非参数方法从更大的函数类中学习关系。然而，由于缺乏分布假设，很难对部分观测数据进行建模。在本文中，我们直接模型的到达时间间隔以及部分观察到的信息，在每个时间步的生存为基础的方法，使用循环神经网络（RNN）模型的购买时间联合在几个产品。RNN不是预测到达间隔时间的点估计，而是输出定义分布估计的参数。损失函数是这些参数在部分观测数据下的负对数似然。这种方法允许人们利用完全观察到的数据以及部分信息。通过外部化的审查问题，通过对数似然损失函数，我们表明，国家的最先进的机器学习方法可以实现实质性的改进。我们目前的实验结果的基础上，两个开放的数据集，以及一个真正的数据集从一个大型零售商的研究。
2018-12-29 cs.LG stat.ML
A Lane-Changing Prediction Method Based on Temporal Convolution Network
Tongji University（同济大学）；Central South University（中南大学）
换道是一种重要的驾驶行为，不合理的换道会导致潜在的交通事故。高级驾驶辅助系统（ADAS）可以帮助驾驶员安全、高效地变换车道。为了捕捉换道行为的随机时间序列，本研究提出了一个时间卷积网络（TCN）来预测长期的换道轨迹和行为。此外，卷积神经网络（CNN）和递归神经网络（RNN）的方法被认为是基准模型，以证明TCN的学习能力。车道变换数据集由驾驶模拟器收集。从不同输入变量、不同输入维度和不同驾驶情景三个方面论证了TCN的预测性能。预测结果表明，与两个基准模型相比，TCN能够以更短的计算时间准确地预测长期换道轨迹和驾驶行为。TCN可以提供准确的换道预测，这是开发精确ADAS的关键信息之一。
2020-11-01 cs.LG cs.SY eess.SY
Online Adaptation of Parameters using GRU-based Neural Network with BO for Accurate Driving Model
IBM Research（IBM研究院）
在不同地区测试自动驾驶汽车需要周围的汽车具有相应的不同驾驶风格，例如激进或保守的风格。需要一种数字测量和区分人类驾驶风格以创建具有某种驾驶风格的虚拟驾驶员的方法。然而，大多数用于测量人类驾驶风格的方法需要阈值或标签来对驾驶风格进行分类，并且一些方法需要额外的驾驶员关于其驾驶态度的问卷。这些限制不适合创建大型虚拟测试环境。驾驶模型（DM）模拟人类的驾驶风格。标定DM使模拟的驾驶行为更接近人类驾驶行为，并实现人类驾驶汽车的模拟。传统的DM校准方法没有考虑DM中的参数在驾驶时变化。这些“固定的”校准方法不能反映实际的交互式驾驶场景。在本文中，我们提出了一种测量人类驾驶风格的DM校准方法，以更准确地再现真实的跟车行为。该方法包括1）用于测量和聚类人类驾驶风格的客观熵权方法，以及2）通过结合贝叶斯优化（BO）和门控递归单元神经网络基于深度学习的DM参数的在线自适应。我们进行了实验，以评估所提出的方法，结果表明，它可以很容易地用来衡量人类驾驶员的风格。实验还表明，我们可以校准相应的DM在虚拟测试环境中高达26%以上的准确性比固定的校准方法。
2021-09-24 cs.LG
Foresee: Attentive Future Projections of Chaotic Road Environments with Online Training
Indraprastha Institute of Information Technology, Delhi（德里英迪拉普拉斯信息技术学院）
在本文中，我们训练一个递归神经网络学习动态的混乱的道路环境和项目的未来的环境图像。未来投影可以用于预测看不见的环境，例如在自动驾驶中。由于车辆和行人等交通参与者之间的相互作用，道路环境是高度动态和复杂的。即使在这种复杂的环境中，人类驾驶员也可以有效地在混乱的道路上安全驾驶，而不管交通参与者的数量如何。深度学习研究的激增已经表明了神经网络在学习这种人类行为方面的功效。在同一方向上，我们研究了循环神经网络，以了解行人，车辆（汽车，卡车，自行车等）共享的混乱道路环境，有时候动物也是。我们提出了\emph{Foresee}，一个单向的门控循环单元（GRUs）网络，注意以图像的形式项目未来的环境。我们已经收集了几个视频在德里的道路上，包括各种交通参与者，背景和基础设施的差异（如3D人行横道）在不同的时间在不同的日子。我们以无监督的方式训练\emph{Foresee}，并使用在线训练提前$0.5$秒投射帧。我们表明，我们提出的模型比最先进的方法（prednet和Enc。最后，我们展示了我们的训练模型可以推广到公共数据集，以供未来预测。
2018-05-30 cs.LG stat.ML
Sustainable Greenhouse Microclimate Modeling: A Comparative Analysis of Recurrent and Graph Neural Networks
Department of Enterprise Engineering, University of Rome Tor Vergata, Via del Politecnico 1, 00133, Rome, Italy（罗马Tor Vergata大学企业工程系）；Department of Mathematics and Physics, Roma Tre University, Via della Vasca Navale 84, 00146, Rome, Italy（罗马Tre大学数学与物理系）；Department of Agrotechnology, University of Thessaly, 41500 Larissa, Greece（希腊塔拉斯大学农业技术系）；Lab of Agricultural Constructions and Environmental Control, Department of Agriculture Crop Production and Rural Environment, University of Thessaly, Fytokou Str, 38446, Volos, Greece（塔拉斯大学农业建筑与环境控制实验室）
本研究比较了循环神经网络与有向时空图神经网络在温室微气候建模中的表现，发现随着变量交互复杂性增加，显式建模方向性依赖关系的图模型更优，为农业光伏温室数字孪生奠定基础。
2025-06-19 cs.LG stat.AP
A Novel Recurrent Neural Network Framework for Prediction and Treatment of Oncogenic Mutation Progression
Massachusetts Institute of Technology（麻省理工学院）；Stanford University School of Medicine（斯坦福大学医学院）
本研究提出一种结合时间序列机器学习与通路分析的端到端AI框架，利用TCGA数据和RNN模型预测癌症严重程度与突变进展并推荐治疗，准确率超60%，为癌症诊疗提供了高效低成本的替代方案。
2025-09-16 cs.CL cs.LG q-bio.QM
Constraining dark matter annihilation with cosmic ray antiprotons using neural networks
Institute for Theoretical Particle Physics and Cosmology (TTK), RWTH Aachen University（亚琛工业大学理论粒子物理与宇宙学研究所）
对间接探测实验中寻找暗物质湮灭的数据进行解释，需要对宇宙射线传播进行昂贵的计算模拟。在这项工作中，我们提出了一种新的方法，基于递归神经网络，显着加快模拟次级和暗物质银河宇宙射线反质子，同时实现良好的精度。这种方法允许对宇宙射线传播模型的讨厌参数进行有效的剖析或边缘化，以便对宽范围的暗物质模型执行参数扫描。我们认为重要性抽样特别适合于确保网络仅在经过良好训练的参数区域中进行评估。我们提出了使用最新的AMS-02反质子数据的几种模型的弱相互作用大质量粒子的约束。经过完全训练的网络与这项工作一起作为DarkRayNet发布，与传统方法相比，运行速度至少提高了两个数量级。
2021-12-20 astro-ph.HE cs.LG hep-ph
Artificial Neural Networks Applied to Taxi Destination Prediction
University of Montréal（蒙特利尔大学）；ENS Cachan（卡尚高等师范学院）；ENS Paris（巴黎高等师范学院）
我们描述了我们的第一位解决方案的ECML/PKDD发现挑战出租车目的地预测。该任务包括基于其轨迹的开始预测出租车的目的地，该轨迹表示为GPS点的可变长度序列，以及各种相关的元信息，例如出发时间，驾驶员ID和客户端信息。与大多数竞争对手的方法相反，我们使用了一种几乎完全自动化的基于神经网络的方法，我们在381个团队中排名第一。我们尝试的架构使用多层感知器，双向递归神经网络和模型的灵感来自最近推出的记忆网络。我们的方法可以很容易地适用于其他应用程序，其中的目标是预测一个固定长度的输出从一个可变长度的序列。
2015-09-21 cs.LG cs.NE
Unfolding AIS transmission behavior for vessel movement modeling on noisy data leveraging machine learning
Institute for Big Data Analytics --- Dalhousie University, Halifax - NS -- Canada [.05cm]；Department of Computer Science --- Memorial University of Newfoundland, St. John's - NL -- Canada [.05cm]；Institute of Computer Science --- Polish Academy of Sciences, Warsaw -- Poland
本文利用机器学习模型预测多艘船舶在噪声数据中的轨迹，通过神经网络处理AIS消息的时间不规则性，提升预测精度。
2022-07-05 cs.AI cs.LG
Predicting cognitive load in immersive driving scenarios with a hybrid CNN-RNN model
Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所）；Faculty of Computing and Information Technology (FoCIT)（计算与信息科技学院）；Swinburne University of Technology（斯威丁大学）
本文提出混合CNN-RNN模型，通过融合fNIRS、眼动追踪和驾驶行为数据，准确预测三种认知负荷水平，提升预测精度。
2026-06-23 cs.HC cs.LG
