Multi-view user representation learning for user matching without personal information
Amadeus SAS(艾玛迪斯公司);Ecole des Mines de Nancy(南锡矿业学院)
针对旅游数据稀疏和分散问题,提出基于相似度的多视图信息融合方法,从URL多视图数据学习用户表示,实现无个人信息的高效用户匹配。
2023-12-22 cs.AI cs.IR cs.LG
STAD: Spatio-Temporal Adjustment of Traffic-Oblivious Travel-Time Estimation
Qatar Computation Research Institute(卡塔尔计算研究所);HBKU(哈马德·本·哈利法大学)
行程时间估计是现代交通应用中的重要组成部分。用于行程时间估计的现有技术使用GPS轨迹来学习道路网络的权重,通常建模为有向图,然后应用Dijkstra算法来找到最短路径。为了实现时间依赖性,现有系统计算多个加权图,对应于不同的时间窗口。这些图通常在部署到生产路由引擎之前进行离线优化,导致严重的工程开销。在本文中,我们介绍了STAD,这是一个系统,可以动态调整以出发地、目的地和出发时间形式表示的任何旅行请求的旅行时间估计。STAD使用机器学习和稀疏行程数据来学习任何基本路由引擎的缺陷,然后将其转变为一个成熟的时间依赖系统,能够根据城市的实际交通状况调整行程时间。STAD通过将空间特征(例如出发地和目的地地理区域)与时间特征(例如出发时间和日期)相结合来利用交通的时空属性,以显著改善基本路由引擎的旅行时间估计。在多哈、纽约和波尔图的真实旅行数据集上进行的实验表明,前两个城市的中位绝对误差减少了14%,后两个城市减少了29%。我们还表明,STAD在所有三个城市中的表现优于不同的商业和研究基线。
2020-06-08 cs.LG physics.soc-ph stat.ML
DeepIST: Deep Image-based Spatio-Temporal Network for Travel Time Estimation
The Pennsylvania State University(宾夕法尼亚州立大学)
对给定路径的行程时间进行估计是许多城市交通系统中的基本问题。然而,现有的工作不能很好地捕捉嵌入在路径中的移动行为,因此不能准确地估计旅行时间。为了填补这一空白,在这项工作中,我们提出了一种新的神经网络框架,即{ \em Deep Image-based Spatio-Temporal network(DeepIST)},用于给定路径的旅行时间估计。DeepIST的新颖性在于以下几个方面:1)我们提出将路径绘制为“广义图像”序列,其包括子路径以及附加信息,诸如交通状况,2)设计了一种新的二维卷积神经网络{ \em PathCNN},通过正则化和多池化方法提取图像中线条的空间模式;以及3)我们应用一维CNN来捕获沿着用于估计的路径的空间模式中的时间模式。实证结果表明,DeepIST在多个大规模真实世界数据集中的平均绝对误差(MAE)为24.37%至25.64%,优于最先进的旅行时间估计模型。
2019-09-05 cs.CV cs.LG stat.ML
Uncertainty Quantification via Spatial-Temporal Tweedie Model for Zero-inflated and Long-tail Travel Demand Prediction
Peking University(北京大学);Massachusetts Institute of Technology(麻省理工学院);University College London(伦敦大学学院);University of Chinese Academy of Sciences(中国科学院大学);Chengdu University of Technology(成都理工大学)
针对高分辨率O-D出行需求的稀疏长尾特性与不确定性量化难题,提出基于Tweedie分布的时空图神经网络STTD,利用时空嵌入参数化需求分布,在真实数据集上实现更精准的预测与置信区间估计。
2024-01-31 cs.LG stat.ML stat.OT
DeepSTCL: A Deep Spatio-temporal ConvLSTM for Travel Demand Prediction
Southwest Jiaotong University(西南交通大学)
城市资源调度是智慧城市发展的重要组成部分,而交通资源是城市资源的主要组成部分。目前,交通资源分布不平衡、道路拥堵等一系列问题扰乱了调度纪律。因此,交通需求预测对城市资源调度具有重要意义。传统的时间序列模型,如AR、ARIMA等都被用来预测出行需求,但这些方法的预测效率不高,训练时间过长。为了提高性能,使用深度学习来辅助预测。但大多数深度学习方法在预测过程中只利用数据的时间依赖性或空间依赖性。针对这些局限性,提出了一种基于Deep Spatio-Temporal ConvLSTM的深度学习交通需求预测框架。为了评估框架的性能,设计了一个端到端的深度学习系统,并使用了一个真实的数据集。此外,该方法可以同时捕获时间依赖性和空间依赖性。在三个预测分支中使用时空数据的接近度、周期和趋势分量。这些分支具有相同的网络结构,但不共享权重。然后采用线性融合方法得到最终结果。最后,在成都DIDI订单数据集上的实验结果表明,该方法在准确性和速度上都优于传统模型。
2020-08-22 cs.LG eess.SP
TraveL: Transformer-based Multi-view Path Distributional Representation Learning
The Pennsylvania State University(宾夕法尼亚州立大学)
本研究针对现有路径表示学习未考虑出行者行为与区域相关性的问题,提出TraveL框架,结合区域注意力与K-S检验,在多数据集上的出行时间分布估计等任务中优于现有最优方法。
2026-09-04 cs.AI cs.LG
Sequential Counterfactual Inference for Temporal Clinical Data: Addressing the Time Traveler Dilemma
Massachusetts General Hospital(麻省总医院)
本文提出顺序反事实框架,用于时间序列临床数据,解决时间旅行者困境,揭示心肾连锁反应的生物合理临床洞察。
2026-02-24 cs.LG
VIR-Bench: Evaluating Geospatial and Temporal Understanding of MLLMs via Travel Video Itinerary Reconstruction
Waseda University(早稻田大学);CyberAgent, Inc.(CyberAgent公司);AI Shift, Inc.(AI Shift公司);Nara Institute of Science and Technology(奈良研究所)
针对现有视频基准缺乏长距离旅行场景评估的问题,本文提出包含200条旅行视频的VIR-Bench基准,以行程重建任务评估MLLMs的时空理解能力,验证了该基准可有效支撑模型评估并赋能下游旅行规划应用。
2025-11-15 cs.AI cs.CL cs.CV
DeepVisualInsight: Time-Travelling Visualization for Spatio-Temporal Causality of Deep Classification Training
School of Computing, National University of Singapore(新加坡国立大学计算机学院);Key Lab of High-Confidence Software Technology, MoE (Peking University)(高可信软件技术教育部重点实验室(北京大学))
了解深度学习模型的预测在训练过程中是如何形成的,对于提高模型性能和修复模型缺陷至关重要,特别是当我们需要研究诸如主动学习等非平凡训练策略,并跟踪诸如性能退化等意外训练结果的根本原因时。在这项工作中,我们提出了一个时间旅行视觉解决方案DeepVisualInsight(DVI),旨在在训练深度学习图像分类器的同时体现时空因果关系。时空因果关系演示了梯度下降算法和各种训练数据采样技术如何影响和重塑学习输入表示的布局和连续时期中的分类边界。这种因果关系使我们能够在可见的低维空间中观察和分析整个学习过程。从技术上讲,我们提出了四个空间和时间属性,并设计了我们的可视化解决方案,以满足他们。当在可见的低维空间和不可见的高维空间之间逆投影输入样本时,这些属性保留了最重要的信息,用于因果分析。我们广泛的实验表明,与基线方法相比,我们实现了最好的可视化性能的空间/时间属性和可视化效率。此外,我们的案例研究表明,我们的可视化解决方案可以很好地反映各种训练场景的特点,显示了良好的潜力,DVI作为一个调试工具,分析深度学习训练过程。
2021-12-31 cs.AI cs.CV cs.LG
TrajCogn: Leveraging LLMs for Cognizing Movement Patterns and Travel Purposes from Trajectories
Beijing Jiaotong University(北京交通大学);Aalborg University(奥尔堡大学);Carnegie Mellon University(卡内基梅隆大学);East China Normal University(华东师范大学)
TrajCogn通过引入轨迹语义嵌入器和轨迹提示,使大语言模型能够提取轨迹中的移动模式与出行目的,从而实现高精度的通用轨迹学习。
2024-08-09 cs.LG
DeepTravel: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision
School of Computer Science, Fudan University(复旦大学计算机学院);Singapore Management University(新加坡管理大学)
估计路径的行程时间对于智能城市移动性非常重要。现有的方法要么是基于估计每个路段的时间成本,这不能捕获许多跨路段复杂因素,要么是以非基于学习的方式设计的,这不能利用数据的现有丰富的时间标签,即,每个轨迹点的时间戳本文利用深度神经网络的新发展,提出了一种新的辅助监督模型DeepTravel,该模型能够自动有效地提取不同的特征,并充分利用轨迹数据的时间标签。我们在真实数据集上进行了全面的实验,以证明DeepTravel优于现有方法的性能。
2018-02-06 cs.CV cs.LG stat.ML
Logistics, Graphs, and Transformers: Towards improving Travel Time Estimation
Sberbank(俄罗斯联邦储蓄银行);Artificial Intelligence Research Institute(人工智能研究院)
行程时间估计问题被广泛认为是现代物流的基本挑战。道路的空间方面和地面运输的时间动态之间相互联系的复杂性质仍然保留了一个试验领域。然而,目前积累的数据总量鼓励构建具有显著优于早期解决方案的前景的学习模型。为了解决行程时间估计问题,提出了一种基于Transformer结构的新方法-- TransTTE。
2022-07-12 cs.AI cs.LG
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
Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data
Alibaba Group(阿里巴巴集团)
本文提出混合时空图卷积网络H-STGCN,通过从在线导航引擎获取即将到来的交通量并将其转换为等效行程时间,结合图卷积捕获空间依赖性,显著提升了交通预测精度,尤其在非周期性拥堵预测上表现优异。
2020-06-23 cs.LG stat.ML
Multi-task learning of time series and its application to the travel demand
Naver Labs Europe(Naver实验室欧洲分部)
我们解决的问题,建模和预测的一组时间事件的背景下,智能交通系统。为了利用不同事件共享的信息,我们提出了一个多任务学习框架。我们开发了一个支持向量回归模型,用于相互依赖的时间序列的联合学习。它是先前为分类案例开发并扩展到时间序列的基于正则化的多任务学习。我们讨论观察到的时间序列的相关性,并首先部署动态时间弯曲距离测量,以确定组相似的系列。然后,我们考虑到时间和尺度扭曲,并建议通过推断其共同的潜在表示来对齐多个时间序列。我们测试了所提出的模型在南希(法国)公共交通系统的出行需求预测问题,并分析了多任务学习的好处。
2017-12-21 cs.AI cs.LG
A Unified Neural Network Approach for Estimating Travel Time and Distance for a Taxi Trip
Wayne State University(韦恩州立大学);DiDi Research America(滴滴美国研究院);DiDi Research(滴滴研究院)
在构建出租车或拼车服务等智能交通系统时,准确预测出行时间和距离对于客户体验和资源管理至关重要。使用纽约出租车数据集,其中包含从支持GPS的出租车收集的出租车行程数据[23],本文研究了使用深度神经网络来联合预测出租车行程时间和距离。我们提出了一个模型,称为ST-NN(时空神经网络),它首先预测的起点和目的地的GPS坐标之间的旅行距离,然后将此预测与一天中的时间预测旅行时间。ST-NN的美妙之处在于它只使用原始行程数据,而不需要进一步的特征工程,并提供旅行时间和距离的联合估计。我们比较了ST-NN的性能,国家的最先进的旅行时间估计方法,我们观察到,所提出的方法比国家的最先进的方法更好地推广。我们表明,ST-NN方法显着降低了平均绝对误差预测行程时间和距离,约17%的行程时间预测。我们还观察到,所提出的方法是更强大的离群值存在于数据集通过测试的性能的ST-NN的数据集和没有离群值。
2017-10-12 cs.LG stat.ML
Travel time prediction for congested freeways with a dynamic linear model
École Polytechnique Fédérale de Lausanne (EPFL)(洛桑联邦理工学院)
行程时间的准确预测是支持智能交通系统(ITS)的一个重要特征。然而,交通状态的非线性使得这种预测成为一项具有挑战性的任务。在这里,我们建议使用动态线性模型(DLMs)来近似的非线性交通状态。与静态线性回归模型不同,DLM假设其参数随时间变化。我们设计了一个DLM模型,在每个时间单元定义的模型参数来描述时间序列交通数据的时空特性。基于我们的DLM和它的模型参数分析训练使用历史数据,我们建议一个最佳的线性预测在最小均方误差(MMSE)的意义。我们比较我们的预测精度的高速公路在加利福尼亚州(I210-E和I5-S)高度拥挤的交通条件下的行程时间与其他方法:瞬时行程时间,k-最近邻,支持向量回归,人工神经网络。我们显示出显着的改善的准确性,特别是短期预测。
2020-09-02 cs.LG eess.SP stat.ML
Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework
Heilongjiang University(黑龙江大学)
针对交通预测中复杂的时空相关性问题,提出LVSTformer模型,通过多级多视图空间注意力、门控时间注意力及时空上下文广播模块捕捉依赖关系,在六个基准上实现SOTA性能,最大提升4.32%。
2024-06-17 cs.AI cs.LG
Street-level Travel-time Estimation via Aggregated Uber Data
Pacific Northwest National Laboratory(太平洋西北国家实验室)
在城市环境中,估计沿路段的行程时间的时间模式是交通工程师和城市规划师的核心重要性。在这项工作中,我们提出了一种方法来利用粗粒度和聚合的旅行时间数据来估计给定的大都市区的街道级旅行时间。我们的主要重点是估计旅行时间沿动脉路段的相关数据往往是不可用的。我们方法的中心思想是利用易于获得的具有广泛空间覆盖的聚合数据集,例如Uber Movement发布的数据,作为其他昂贵的细粒度数据集(例如循环计数器和探针数据)可以覆盖的结构。我们提出的方法使用的图形表示的道路网络,并结合了几种技术,如基于图形的路由,行程采样,图稀疏化,最小二乘优化,估计街道级的旅行时间。使用采样行程和加权最短路径路由,我们迭代求解约束最小二乘问题,以获得旅行时间估计。我们展示了我们的方法在洛杉矶大都市区的街道网络,其中汇总的行程时间数据可用于交通分析区之间的行程。此外,我们提出的技术,通过一种新的图形伪稀疏化技术来扩展我们的方法。
2020-01-13 cs.AI cs.LG physics.soc-ph
Interpretable Deep Representation Learning from Temporal Multi-view Data
The Pennsylvania State University(宾夕法尼亚州立大学);Duke University(杜克大学)
在许多科学问题中,如视频监控,现代基因组学和金融,数据通常是从不同的测量跨时间,表现出时间依赖的异质性。因此,重要的是不仅要集成来自多个源的数据(称为多视图数据),而且要纳入时间依赖性,以便深入理解底层系统。我们提出了一个基于变分自动编码器和递归神经网络的生成模型来推断多视图时态数据的潜在动态。这种方法使我们能够在考虑时间因素的同时识别跨视图的未纠缠的潜在嵌入。我们调用我们提出的模型分析三个数据集上,我们证明了模型的有效性和可解释性。
2022-10-07 cs.LG stat.ML
Weakly-supervised Temporal Path Representation Learning with Contrastive Curriculum Learning -- Extended Version
Aalborg University(奥尔堡大学);Mila-Quebec AI Institute(米拉-魁北克人工智能研究所);HEC Montreal(蒙特利尔高等商学院)
随着交通的数字化,我们正在见证越来越多的基于路径的智慧城市应用,例如,行程时间估计和行程路径排序。时间路径(TP)包括时间信息,例如,离开时间,进入路径是基本的,使这样的应用程序。在这种情况下,必须学习通用时间路径表示(TPR),这些TPR同时考虑空间和时间相关性,并且可以用于不同的应用,即,下游任务。现有的方法无法实现这一目标,因为(i)监督方法在训练时需要大量特定于任务的标签,因此无法将获得的TPR推广到其他任务;(ii)通过无监督方法可以学习通用表示,它们忽略了时间方面,导致次优结果。为了克服现有解决方案的局限性,我们提出了一个弱监督对比(WSC)学习模型。首先,我们提出了一个时间路径编码器,编码的时间路径的空间和时间信息到TPR。为了训练编码器,我们引入容易且廉价获得并且与不同任务相关的弱标记,例如,时间标签指示从出发时间开始的高峰时段和非高峰时段。基于弱标签,我们通过考虑空间和时间信息来构造有意义的正和负时间路径样本,这便于使用对比学习来训练编码器,通过拉近正样本的表示而推开负样本的表示。为了更好地指导对比学习,我们提出了一种基于课程学习的学习策略,使学习从容易的训练实例到困难的训练实例。实验研究验证了该方法的有效性。
2022-04-15 cs.AI cs.LG
Study on Key Technologies of Transit Passengers Travel Pattern Mining and Applications based on Multiple Sources of Data
在本研究中,我们提出了一系列的方法来挖掘公交乘客的出行模式和行为偏好,然后我们使用这些知识来调整和优化公交系统。贡献包括:1)为了提高数据的有效性:a)提出了一种新的AFC(Automated Fare Collection)系统和AVL(Automated Vehicle Location)系统之间数据的时间差异校正方法,该方法将数据事件转换为信号,并应用时域相关技术检测和校正它们之间的相对差异。b)通过结合历史数据和乘客售票时间戳,我们引入和补偿AVL数据集中的缺失信息。2)为了推断乘客的下车点,我们引入了一个最大概率模型,结合乘客的家乡,以恢复其完整的过境轨迹从半完整的登机记录,然后我们提出了一个增强的活动识别算法,能够指定乘客的短期活动,从普通的换乘。最后,分析了公交客流的时空特征。3)发现旅客出行需求。我们整合每个乘客在多天的轨迹数据,构建一个混合出行图(HTG)。然后,我们使用深度搜索算法来获得空间封闭的过境出行链;最后,我们使用封闭的过境出行链的乘客,从不同的角度来研究他们的出行模式。最后,通过对乘客关键出行链的聚合,对城市公交走廊进行分析。4)推导出8个影响因素,构建了不同情景下乘客出行选择模型。接下来,我们验证我们的模型使用乘客重新分配模拟。最后,我们对乘客的时间选择偏好进行了综合分析,并利用这些信息来优化城市交通系统。
2020-05-26 cs.IR cs.LG cs.SY
Towards Generalizing Temporal Action Segmentation to Unseen Views
University of Bonn(波恩大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉马尔机器学习与人工智能研究所);Toyota Motor Europe(丰田汽车欧洲公司)
针对时序动作分割难以泛化到未见视角的问题,提出利用序列和片段级别的共享表示并引入序列损失与动作损失的方法,在多个数据集上显著提升了未见视角下的分割性能。
2025-04-03 cs.AI cs.CV cs.LG