TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation and Prediction via Multifaceted Graph Modeling
Chunghwa Telecom Laboratories(中华电信研究院);National Taiwan University(台湾大学)
提出地理蜂窝流量(GCT)流作为新数据源,并设计融合多变量、时间和空间特征的图神经网络进行车辆相关GCT流预测,实验证明其在长期预测中优于基线。
2024-01-06 cs.AI cs.LG
End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种端到端异构图神经网络代理模型,通过自适应图注意力机制、虚拟链路与流量守恒损失函数求解用户均衡交通分配问题,在精度与泛化性上优于传统方法。
2024-10-16 cs.LG
Incorporating graph neural network into route choice model
Department of Civil and Environmental Engineering, Institute of Science Tokyo(土木与环境工程系,科学研究所东京)
本文提出结合递归logit模型与图神经网络的混合模型,以提高路径选择模型的预测性能和可解释性,并通过东京旅行数据验证了其优越性。
2026-10-30 cs.LG
Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach
University of Hong Kong(香港大学)
动态需求预测对于城市交通系统的有效运行和管理至关重要。大量的研究都集中在单一运输方式的需求预测上,忽略了不同运输方式的需求之间存在着相关性。尽管最近的一些努力,现有的方法来多模式需求预测通常是不够灵活的,以考虑不同的空间单元和异构的时空相关性跨不同的模式的多路复用网络。为了解决这些问题,本研究提出了一个多关系时空图神经网络(ST-MRGNN)的多模态需求预测。具体地,跨模式的空间依赖性被编码有多个模态内和模态间关系图。提出了一种多关系图神经网络(MRGNN)来捕获跨模式异构空间依赖关系,该网络由广义图卷积网络和基于注意力的聚合模块组成,广义图卷积网络用于学习关系图中的消息传递机制,基于注意力的聚合模块用于汇总不同的关系.我们进一步将MRGNNs与时间门控卷积层相结合,以联合建模异构时空相关性。使用来自纽约市的真实世界的地铁和乘车数据集进行了广泛的实验,结果验证了我们提出的方法在跨模式的现有方法上的性能改进。对于需求稀疏的位置,这种改进尤其大。对ST-MRGNN的注意力机制的进一步分析也证明了它对理解跨模式交互的良好可解释性。
2021-12-15 cs.LG
Learning traffic flows: Graph Neural Networks for Metamodelling Traffic Assignment
Department of Technology, Management and Economics, Technical University of Denmark, Lyngby, Denmark(技术、管理与经济系,丹麦技术大学);Department of Civil, Constructional and Environmental Engineering, Sapienza University of Rome, Rome, Italy(土木、建筑与环境工程系,罗马萨皮恩扎大学);Department of Aeronautics and Astronautics, Stanford University, Stanford, California(航空与航天系,斯坦福大学)
针对交通分配问题计算成本高的难题,提出采用模仿传统仿真器算法结构的消息传递神经网络作为元模型,近似随机用户均衡流量,在分布外场景下鲁棒性优于传统深度学习方法,可加速交通规划评估并支持实时决策。
2025-05-16 cs.LG
Recent Advances in Graph-based Machine Learning for Applications in Smart Urban Transportation Systems
Insight SFI Centre for Data Analytics(Insight SFI数据分析中心)
本文综述基于图的机器学习在智能交通系统中的技术挑战与方法演进,梳理图表示和图神经网络,并通过两个案例展示其应用潜力。
2023-06-02 cs.AI cs.LG
Graph Neural Network for Traffic Forecasting: A Survey
Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
交通预测是智能交通系统成功的关键。深度学习模型,包括卷积神经网络和递归神经网络,已被广泛应用于交通预测问题中,以对空间和时间依赖性进行建模。近年来,为了对交通系统中的图结构以及上下文信息进行建模,已经引入了图神经网络,并且在一系列交通预测问题中取得了最先进的性能。在本调查中,我们回顾了使用不同图神经网络(例如图卷积和图注意力网络)在各种交通预测问题(例如道路交通流量和速度预测、城市轨道交通系统中的客流预测以及乘车平台中的需求预测)中快速增长的研究主体。我们还为每个问题提供了一个全面的开放数据和源资源列表,并确定了未来的研究方向。据我们所知,本文是第一个全面的调查,探讨应用图神经网络的交通预测问题。我们还创建了一个公共GitHub存储库,其中将更新最新的论文,开放数据和源资源。
2022-02-22 cs.AI cs.LG
Development of a graph neural network surrogate for travel demand modelling
Technical University of Munich(慕尼黑工业大学)
针对出行需求建模的现有方法局限,研究提出GATv3图注意力网络变体与细粒度分类框架,结合合成数据生成策略,验证了细粒度分类的优势及GATv3在交通分类场景的适用性。
2025-03-20 cs.AI cs.LG
Uncertainty Quantification of Sparse Travel Demand Prediction with Spatial-Temporal Graph Neural Networks
Massachusetts Institute of Technology(麻省理工学院);University of Florida(佛罗里达大学);Northeastern University(东北大学)
出行需求预测是交通领域的一项基本挑战。最近,时空深度学习模型展示了提高预测精度的巨大潜力。然而,很少有研究解决细粒度O-D矩阵的不确定性和稀疏性问题。这带来了一个严重的问题,因为大量的零偏离了确定性深度学习模型的高斯假设。为了解决这个问题,我们设计了一个时空零膨胀负二项图神经网络(STZINB-GNN)来量化稀疏出行需求的不确定性。它使用扩散和时间卷积网络分析空间和时间相关性,然后将其融合以参数化出行需求的概率分布。STZINB-GNN使用具有各种空间和时间分辨率的两个真实世界数据集进行检查。结果表明STZINB-GNN优于基准模型,特别是在高时空分辨率下,因为它的高精度,紧置信区间和可解释的参数。STZINB-GNN的稀疏性参数对于各种运输应用具有物理解释。
2022-08-11 cs.LG stat.ML
Graph Neural Network Reinforcement Learning for Autonomous Mobility-on-Demand Systems
Technical University of Denmark(丹麦技术大学);Stanford University(斯坦福大学)
自动按需移动(AMoD)系统代表了一种快速发展的交通模式,其中旅行请求由机器人自动驾驶车辆的协调车队动态处理。给定一个图形表示的交通网络-其中,例如,节点代表城市的区域,和边缘之间的连接-我们认为,AMoD控制问题自然是一个节点明智的决策问题。在本文中,我们提出了一个深度强化学习框架,通过图神经网络控制AMoD系统的再平衡。至关重要的是,我们证明了图神经网络使强化学习代理能够恢复比通过其他方法学习的策略更具有可转移性,可推广性和可扩展性的行为策略。经验上,我们展示了如何学习的政策表现出有前途的zero-shot传输能力时,面临着关键的可移植性任务,如城市间的泛化,服务区扩展,并适应潜在的复杂的城市拓扑结构。
2021-08-16 cs.LG cs.RO cs.SY
STCGAT: A Spatio-temporal Causal Graph Attention Network for traffic flow prediction in Intelligent Transportation Systems
Zhengzhou University(郑州大学)
现代交通造成的空气污染和碳排放与全球气候变化密切相关。借助物联网(IoT)、人工智能(AI)等新一代信息技术,准确的交通流量预测可以有效解决交通拥堵等问题,缓解环境污染和气候变化。进一步推动智能交通系统(ITS)和智慧城市的发展。然而,交通数据的强空间和时间相关性使得准确的交通预测任务成为一个重大挑战。现有的方法通常是基于图神经网络利用预定义的交通网络空间邻接图来建模空间依赖关系,忽略了道路节点之间关系的动态相关性。此外,它们通常使用独立的时空组件来捕获时空依赖性,并且不能有效地建模全局时空依赖性。本文提出了一种新的时空因果图注意力网络(STCGAT)的交通预测,以解决上述挑战。在STCGAT中,我们使用的节点嵌入方法,可以自适应地生成空间邻接子图在每个时间步,而无需先验地理知识和细粒度建模的拓扑结构的动态生成的图形为不同的时间步。同时,我们提出了一个有效的因果时间相关组件,其中包含节点自适应学习,图卷积,局部和全局因果时间卷积模块学习局部和全局时空依赖性联合。在四个真实的大型流量数据集上进行的大量实验表明,我们的模型始终优于所有基线模型。
2022-09-29 cs.AI cs.LG
Temporal-Viewpoint Transportation Plan for Skeletal Few-shot Action Recognition
Australian National University(澳大利亚国立大学);Data61/CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所)
我们提出了一个少样本学习管道的联合tEmporal和cAmera的视点算法(JEANIE)的三维基于动作的动作识别。为了排除查询和支持序列之间的3D身体关节的不对齐,我们提出了一个先进的动态时间规整的变种,它联合建模查询和支持帧之间的每个平滑路径,同时实现最佳的对齐时间和模拟相机的视点空间有限的Few-Shot训练数据下的端到端学习。基于简单谱图卷积(一种轻量级线性图神经网络骨干)的时间块编码器对序列进行编码。我们还包括一个带有Transformer的设置。最后,我们提出了一个基于相似性的损失,鼓励对齐的序列相同的类,同时防止不相关的序列的对齐。我们展示了NTU-60,NTU-120,Kinetics骨架和UWA 3D Multiview Activity II的最新结果。
2022-10-30 cs.AI cs.CV cs.LG
Conformal Load Prediction with Transductive Graph Autoencoders
City University of Hong Kong(香港城市大学);Royal Holloway, University of London(伦敦大学皇家霍洛威学院)
本文提出一种基于图神经网络和保形预测的边权重预测方法,结合误差重加权与保形分位数回归处理异方差性,在交通数据集上实现了优于基线的覆盖率和效率。
2024-06-12 cs.LG stat.ML
Dynamic Origin-Destination Matrix Prediction with Line Graph Neural Networks and Kalman Filter
New York University Tandon School of Engineering(纽约大学坦登工程学院)
本文提出融合线图卷积网络与卡尔曼滤波器的框架,用于从链路流量推断动态起讫点矩阵,在新泽西收费公路数据上取得最佳预测性能。
2020-03-24 cs.LG cs.SY eess.SY
Optimizing Electric Vehicles Charging using Large Language Models and Graph Neural Networks
Delft University of Technology(代尔夫特理工大学)
本文提出结合大型语言模型与图神经网络优化电动汽车充电,以应对高维动态实时充电问题,并证明其优于传统智能充电方法。
2025-02-05 cs.LG cs.SY eess.SY
Transportation analysis of denoising autoencoders: a novel method for analyzing deep neural networks
Waseda University(早稻田大学)
通过确定DAE的传输动力学来研究从去噪自动编码器(DAE)获得的特征图,这是深度学习的基石。尽管在其应用中发展迅速,但深度神经网络仍然无法解析,因为特征映射是嵌套的,参数不可靠。在本文中,我们解决的问题,制定嵌套复杂的参数,把特征图作为一个运输地图。即使特征映射在输入和输出之间具有不同的维度,我们也可以将其视为运输映射,因为输入和输出空间都嵌入在一个共同的高维空间中。此外,轨迹是几何对象,因此与参数化无关。通过这种方式,传输可以被视为深度神经网络的通用特征。通过确定和分析运输动力学,我们可以理解深层神经网络的行为。在本文中,我们研究了深度神经网络的一个基本案例:DAE。我们推导了DAE的输运图,揭示了无限深DAE的输运质量会降低数据分布的一定量,如熵。这些结果虽然在分析上很简单,但揭示了深层神经网络和Wasserstein梯度流之间的对应关系。
2017-12-12 cs.LG stat.ML
Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks
Beihang University(北京航空航天大学);China FAW R&D Center(中国一汽研发中心)
近几十年来,大规模交通网络流量预测已成为一个重要而具有挑战性的课题。受运动预测领域知识的启发,其中对象的未来运动可以基于先前的场景来预测,我们提出了一种网络网格表示方法,该方法可以保留交通网络的精细尺度结构。网络范围内的流量速度被转换成一系列的静态图像,并输入到一个新的深度架构,即时空递归卷积网络(SRCN),用于流量预测。所提出的SRCN继承了深度卷积神经网络(DCNN)和长短期记忆(LSTM)神经网络的优点。网络范围内流量的空间依赖性可以由DCNN捕获,时间动态可以由LSTM学习。在具有278个链路的北京交通网络上进行的实验表明,SRCN在短期和长期交通预测方面都优于其他基于深度学习的算法。
2017-05-07 cs.LG
Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction
Beihang University(北京航空航天大学);Beijing Jiaotong University(北京交通大学);Chongqing Jiaotong University(重庆交通大学)
本文提出了一种基于卷积神经网络(CNN)的方法,该方法将流量作为图像进行学习,并以高精度预测大规模的网络范围内的流量速度。通过二维时空矩阵将时空交通动力学转化为描述交通流时空关系的图像。一个CNN应用于图像以下两个连续的步骤:抽象的交通特征提取和网络范围内的交通速度预测。以北京市二环路和东北交通网络为例,将该方法与普通最小二乘、k-近邻、人工神经网络和随机森林等四种主流算法以及堆栈式自编码器、递归神经网络、和长短期记忆网络。实验结果表明,在可接受的执行时间内,该方法的平均准确率提高了42.91%,优于其他算法。CNN可以在合理的时间内对模型进行训练,因此适用于大规模的交通网络。
2017-04-10 cs.LG stat.ML
Generalization bound of globally optimal non-convex neural network training: Transportation map estimation by infinite dimensional Langevin dynamics
The University of Tokyo(东京大学);RIKEN Center for Advanced Intelligence Project(理化学研究所先进智能项目中心)
我们引入了一个新的理论框架来分析深度学习优化及其泛化误差。现有的神经网络优化分析框架,如平均场理论和神经切线核理论,通常要求网络的宽度为无穷大,以证明其全局收敛性。这潜在地使得难以直接处理有限宽度网络;特别是在神经切线核区域中,我们不能揭示核方法之外的神经网络的有利性质。为了实现更自然的分析,我们考虑一种完全不同的方法,将参数训练公式化为运输映射估计,并通过无限维Langevin动力学理论显示其全局收敛性。这使我们能够以统一的方式分析窄网络和宽网络。此外,我们给出了广义间隙和超额风险界的动力学得到的解决方案。超额风险界限实现了所谓的快速学习率。特别是,我们展示了分类问题的指数收敛性和回归问题的最小最大最优速率。
2020-10-26 cs.LG stat.ML
Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation
North China University of Technology(北方工业大学)
本文提出ADGCRNN模型,通过自注意力整合多时间分辨率特征并动态创建多动态图,引入专用门控核减少过拟合,有效提升了高速公路交通流预测精度。
2023-09-13 cs.AI cs.GR cs.LG
Neural tangent kernels, transportation mappings, and universal approximation
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文建立了浅神经切线核(NTK)的普适逼近率:网络权值只允许从随机初始化的微小变化,这意味着激活几乎不变,并且网络几乎等价于其线性化。具体地说,本文有两个主要贡献:一个通用的计划,近似函数与NTK的采样从运输映射之间的初始权重和它们的期望值,并通过傅立叶变换的运输映射的建设。关于第一个贡献,证明方案提供了另一个角度来看待NTK制度是如何从重新缩放中产生的:由于重新缩放,权重中的冗余允许单个权重按比例缩小。关于第二个贡献,最值得注意的传输映射断言,大致$1 / δ^{10d}$节点足以近似连续函数,其中$δ$取决于目标函数的连续性。相比之下,几乎相同的证明为浅ReLU网络产生了$1 / δ^{2d}$的界;这个差距为未来的工作提出了一个诱人的方向,将浅ReLU网络和它们的线性化分开。
2020-02-15 cs.LG stat.ML
Inferring transportation modes from GPS trajectories using a convolutional neural network
Virginia Tech(弗吉尼亚理工学院)
确定用户的交通方式分布是出行需求分析和交通规划的重要组成部分。随着无处不在的GPS使能设备(例如,智能手机),用于推断通勤者的移动模式的成本有效的方法是利用他们的GPS轨迹。大多数研究都提出了基于手工特征和传统机器学习算法的模式推理模型。然而,手工特征产生一些主要的缺点,包括易受交通和环境条件的影响,以及在创建有效特征时具有人类的偏见。克服这些问题的一种方法是利用卷积神经网络(CNN)方案,该方案能够从原始输入自动驱动高级特征。因此,在本文中,我们利用CNN架构,以便仅基于原始GPS轨迹来预测出行模式,其中模式被标记为步行、自行车、公共汽车、驾驶和训练。我们的主要贡献是设计CNN的输入层的布局,不仅适用于CNN方案,而且代表了移动对象的基本运动特征,包括速度,加速度,加加速度和轴承率。此外,我们通过几个数据预处理步骤改善GPS日志的质量。使用干净的输入层,评估各种CNN配置以实现最佳CNN架构。通过最佳CNN配置的集成,实现了84.8%的最高准确度。在这项研究中,我们将我们的方法与传统的机器学习算法以及开创性的和最相关的研究进行对比,以证明我们的框架的优越性。
2018-04-05 cs.LG stat.ML
Spatial-Temporal Hypergraph Neural Network for Traffic Forecasting
Sun Yat-Sen University(中山大学)
针对交通预测中难以捕捉高阶时空依赖的问题,提出STHODE模型,通过自适应MixHop超图ODE网络和超边演化ODE网络分别捕捉高阶空间与时间依赖,在四个真实数据集上表现优越。
2023-10-24 cs.LG
ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks
University of Pennsylvania(宾夕法尼亚大学);Massachusetts Institute of Technology(麻省理工学院);University of Florida(佛罗里达大学);Wuhan University(武汉大学);Duke Kunshan University(昆山杜克大学)
针对交通数据缺失值影响应用的问题,提出ST-GIN深度学习填补方法,结合图注意力架构捕捉空间相关性与双向神经网络学习时间信息,实验证明其优于所有基准技术。
2023-09-09 cs.LG
Predicting travel demand of a bike sharing system using graph convolutional neural networks
School of Civil Engineering, KNTU(KNTU土木工程学院)
本研究针对共享单车系统站点级出行需求预测问题,提出融合多源数据的门控图卷积神经网络混合模型,经芝加哥案例验证性能优于基准模型,可辅助交通规划决策。
2024-08-18 cs.LG
Traffic signal prediction on transportation networks using spatio-temporal correlations on graphs
多变量时间序列预测带来了挑战,因为变量在时间和空间上交织在一起,就像交通信号一样。在图上定义信号通过使用诸如热扩散核之类的相关图核来表示信号在空间上的演变来放松这种复杂性。然而,这个内核本身并不能完全捕获数据的实际动态,因为它只依赖于图结构。可以通过将图形内核表示与利用历史数据的数据驱动模型相结合来填补这一空白。本文提出了一种交通传播模型,将多个热扩散核合并到一个数据驱动的预测模型中,以预测交通信号。我们使用贝叶斯推理优化模型参数,以最大限度地减少预测误差,从而确定两种方法的混合比例。这样的混合比强烈地取决于训练数据大小和数据异常,其通常对应于交通数据的高峰时间。该模型的预测精度与最先进的深度神经网络相当,计算量更低。它通过继承数据驱动模型中的周期性建模,在长期预测方面取得了优异的性能。
2021-10-05 cs.LG
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network
University of Central Florida(中佛罗里达大学)
我们提出了一种新的数据驱动的方法来学习交通网络的交通流模式,给出了许多实例的起点到目的地(OD)的出行需求和链接流的网络。代替假设某些用户行为(例如,用户平衡或系统最优),在这里我们探索直接从数据中学习这些流模式的想法。为了实现这一思想,我们将交通分配问题转化为一个数据驱动的学习问题,并提出了一个基于神经网络的框架--图卷积神经网络(GCNN)来解决这个问题,该框架有效地描述了交通网络和OD需求,并利用了多个OD需求从节点到路段的扩散过程。我们验证了该模型的解决方案对分析的解决方案,从运行静态用户平衡为基础的交通分配在苏福尔斯和东马萨诸塞州的网络。验证结果表明,所实现的GCNN模型可以很好地学习流模式,在不同的拥塞条件下,两个网络的实际和估计链路流量之间的平均绝对差小于2%。当模型训练完成后,它可以立即确定大规模网络的流量。因此,这种方法可以克服在大规模网络上部署交通分配模型的挑战,并在数据驱动的网络建模中开辟新的研究方向。
2022-02-21 cs.LG
Regularized Deep Networks in Intelligent Transportation Systems: A Taxonomy and a Case Study
Amirkabir University of Technology(阿米尔卡比尔理工大学)
智能交通系统(ITS)与数据科学机制密切相关。在众多相关分支中,本文重点研究了神经网络学习模型。一些被考虑的模型是浅层的,它们获得一些用户定义的特征并学习关系,而深层模型在自己学习之前提取必要的特征。这两种模式都被用于最近的智能交通系统(ITS),以支持决策的援助,不同的操作,如频繁模式挖掘,回归,聚类和分类。当这些学习者不能概括结果而只是记住训练样本时,他们就无法支持必要性。在这些情况下,测试误差大于训练误差。这种现象在文献中被称为过拟合。由于这个问题降低了学习系统的可靠性,在ITS应用中,我们不能将这种过拟合的机器学习模型用于不同的任务,如交通预测、信号控制、安全应用、应急响应、模式检测、驾驶评估等。此外,深度学习模型使用大量的超参数,深度模型中的过拟合问题受到更多的关注。为了解决这个问题,可以遵循正则化学习模型。本文的目的是审查的方法,提出了正规化的过拟合在不同类别的ITS研究。然后,我们给出了一个使用正则化版本的卷积神经网络(CNN)的驾驶安全案例研究。
2019-11-08 cs.LG cs.NE
Traffic Flow Forecast of Road Networks with Recurrent Neural Networks
FernUniversität in Hagen(哈根函授大学)
近年来,人们对发展智慧城市的兴趣急剧增加。在这种情况下,智能交通系统描绘了一个主要议题。交通流预测是高效智能交通系统不可或缺的一部分。由于交通流的随机性和非线性,交通流预测是一项困难的任务。除了经典的统计方法外,神经网络是预测未来交通流的一种很有前途的可能性。在我们的工作中,这种预测是用各种循环神经网络进行的。这些都是在测量感应线圈,这是放置在城市的十字路口的培训。我们使用了2018年1月初至7月底的数据。每个模型结合了所有传感器测量的交通流序列,并同时预测每个传感器的未来交通流。对各种模型结构、预测范围和输入数据进行了研究。在大多数情况下,具有门控递归单元的向量输出模型在所有考虑的预测场景中在测试集上实现了最小的误差。由于数据量小,训练模型的推广是有限的。
2020-06-08 cs.LG stat.ML
TrajectoryNet: An Embedded GPS Trajectory Representation for Point-based Classification Using Recurrent Neural Networks
Dalhousie University(达尔豪斯大学);Acadia University(阿卡迪亚大学);Polish Academy of Sciences(波兰科学院)
从GPS(全球定位系统)人类活动的痕迹中理解和发现知识是基于移动性的城市计算的一个重要课题。我们提出了TrajectoryNet-一个神经网络架构,用于基于点的轨迹分类,以推断现实世界中的人类交通方式从GPS轨迹。为了克服捕获GPS数据所施加的低维和异构特征空间中的潜在因素的挑战,我们开发了一种新的表示方法,该方法将原始特征空间嵌入到另一个空间中,该空间可以被理解为一种基础扩展形式。我们还通过基于片段的信息丰富了特征空间,并使用Maxout激活来提高循环神经网络(RNN)的预测能力。在检测四种类型的交通模式时,我们实现了超过98%的分类准确率,在没有额外的传感数据或基于位置的先验知识的情况下,优于现有的模型。
2017-08-30 cs.AI cs.CV cs.LG
Enhancing Next Destination Prediction: A Novel Long Short-Term Memory Neural Network Approach Using Real-World Airline Data
Middle East Technical University(中东技术大学);TED University(TED大学);Osmaniye Korkut Ata University(奥斯曼尼耶科尔库特阿塔大学)
针对交通行业旅客下一目的地预测需求,提出一种结合滑动窗口的新型LSTM模型,可捕捉出行数据序列模式,在不同数据规模下表现优异,助力企业优化客户体验。
2024-09-16 cs.AI cs.LG
An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation
Deakin University(迪肯大学);Commonwealth Scientific and Industrial Research Organization(澳大利亚联邦科学与工业研究组织);Xidian University(西安电子科技大学);Qilu University of Technology(齐鲁工业大学);Shandong Computer Science Center(山东省计算中心)
由于交通状况会随时间而变化,因此在智能公共交通中,预测交通流量的机器学习模型必须持续有效地更新。联邦学习(FL)是一种分布式机器学习方案,允许总线接收模型更新,而无需等待云上的模型训练。然而,FL很容易受到中毒或DDoS攻击,因为公共汽车在公共场所行驶。异步联邦学习(AFL)是一种通过减少聚合延迟来提高效率的方案,但由于局部模型权重不合理,导致学习性能不稳定。为了解决上述挑战,本文提出了一种基于区块链的具有动态缩放因子的异步联邦学习方案(DBAFL)。具体来说,区块链的新型基于委员会的共识算法以尽可能低的时间成本提高了可靠性。同时,设计的动态缩放因子允许AFL分配合理的权重到陈旧的本地模型。在异构设备上进行的大量实验验证了DBAFL的学习性能,效率和可靠性。
2022-12-26 cs.DC cs.LG
Spatial Influence-aware Reinforcement Learning for Intelligent Transportation System
Columbia University(哥伦比亚大学)
智能交通系统(ITS)被认为是智慧城市的关键,其目的是改善交通流量,提高城市居民的生活质量,减少拥堵,提高通勤效率。然而,在可以部署这样的系统之前,需要解决几个挑战,例如,用于马尔可夫决策过程(MDP)和单代理强化学习(RL)算法的传统解决方案具有较差的可扩展性,并且多代理系统具有较差的通信和协调。在本文中,我们探讨了潜在的互信息共享,或换句话说,基于空间影响的通信,以优化交通灯控制策略。首先,我们对交通系统进行数学分析。我们的结论是,交通系统不存在静态纳什均衡,从而强化学习算法提供了合适的解决方案。其次,我们描述了如何建立一个多智能体的深度确定性策略梯度(DDPG)系统的空间影响和社会群体的效用。然后,我们利用网格拓扑结构的道路网络,实证证明了新系统的可扩展性。我们展示了三种类型的定向通信,以显示社会影响力的方向对整个网络效用和个人效用的影响。最后,我们定义了“自私指数”,并分析了它对群体总效用的影响。
2019-12-14 cs.AI cs.LG cs.MA
Neural Canonical Polyadic Factorization for Traffic Analysis
College of Computer and Information Science, Southwest University(计算机与信息科学学院,西南大学)
针对智能交通系统中数据缺失影响建模可靠性的问题,提出融合低秩CP分解与深度学习的NCPF模型,通过可解释因子建模与非线性表示优化实现鲁棒交通数据补全,在6个数据集上优于现有基线,支撑交通数字孪生与自适应管控。
2025-09-03 cs.LG stat.ML
Transportation Modes Classification Using Feature Engineering
Dalhousie University(达尔豪斯大学)
从GPS(全球定位系统)记录中预测交通模式是轨迹挖掘领域的一个热点问题。每个GPS记录被称为轨迹点,轨迹是这些点的序列。轨迹挖掘的应用包括但不限于交通模式检测、旅游、交通拥堵、智能城市管理、动物行为分析、环境保护和交通动力学。交通方式预测作为人类移动和车辆移动应用的任务之一,在资源分配、交通管理系统、旅游规划和事故检测等方面具有重要作用。在这项工作中,Etemad等人提出的框架扩展到考虑运输模式预测任务的其他方面。研究了包装搜索和信息检索方法,以寻找最佳的轨迹特征子集。找到最佳分类器和最佳特征子集,将该框架与应用深度学习方法的两篇相关论文进行比较。结果表明,我们的框架取得了更好的性能。此外,地面真实噪声去除提高了运输模式预测任务的准确性;然而,在预处理任务中访问测试集标签的假设是无效的。此外,交叉验证方法进行了研究,性能结果表明,随机交叉验证方法提供了乐观的结果。
2018-07-28 cs.LG stat.ML
Quantum Machine Learning in Transportation: A Case Study of Pedestrian Stress Modelling
Laboratory of Innovations in Transportation (LiTrans)(创新交通实验室)
本研究探索量子机器学习在交通场景中建模行人压力,对比QSVM与QNN,发现QNN测试准确率更高,为智能交通系统提供了新思路。
2025-09-06 cs.LG quant-ph
Travel Time, Distance and Costs Optimization for Paratransit Operations using Graph Convolutional Neural Network
提供辅助交通服务是满足弱势道路使用者交通需求的其中一个方案。像任何其他交通工具一样,辅助运输也存在运营成本高和旅行时间长等障碍。因此,客户不满意,辅助运营商的支持率很低。多年来,研究人员进行了各种研究,以更好地了解辅助乘客的旅行行为以及他们是如何运作的。根据这些研究的结果,辅助运营商面临的挑战,确定最佳路线,为他们的行程,以节省旅行时间。根据挑战的性质,大多数研究使用不同的优化技术来解决这些路由问题。因此,本研究的目标是使用图卷积神经网络(GCN),以协助辅助客运运营商在研究各种业务方案中的战略设置,以优化路由,最大限度地减少运营成本,最大限度地减少用户的旅行时间。该研究是通过使用随机模拟数据集进行的,以帮助确定在不同情况下根据车队组成和容量做出的决策。对于所调查的各种情况,全球网络协助确定最小最佳间隙。
2022-05-21 cs.CV cs.LG
Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network
University of Southern California(南加州大学)
交通网络非常复杂,由于缺乏足够的测量数据和准确的交通状态预测,设计有效的交通管理系统是困难的。交通仿真模型可以通过使用有限的可用交通数据来捕获交通网络的复杂动态,并且如果将适当的输入馈送到仿真器中,则可以帮助中央交通当局进行决策。在本文中,我们设计了一个集成的模拟预测系统,估计的起点-目的地(OD)矩阵的道路网络,仅使用流量信息和预测的道路网络的行为在不同的模拟场景。该系统包括一个基于优化的OD矩阵生成方法,一个神经网络(NN)模型训练预测OD矩阵通过模式的交通流和微观交通模拟器与动态交通分配(DTA)计划来预测交通系统的行为。我们测试所提出的系统的道路网络的中央终端区(CTA)的洛杉矶国际机场(LAX),这表明,集成的交通模拟预测系统可以用来模拟几个现实世界的情况下,如车道关闭,路边停车和其他变化的影响。该模型是一个有效的工具,用于了解网络变化的影响和可能的好处,并以非常低的成本分析场景,而不会中断网络。
2020-08-05 cs.LG cs.SY eess.SP
Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact
University of Washington(华盛顿大学)
交通速度预测是智能交通系统(ITS)的重要组成部分。近年来,随着深度学习和交通数据科学的快速发展,越来越多的新的交通速度预测模型被设计出来,实现了高精度和大规模的预测。然而,现有的研究有两大局限性。首先,他们预测的是聚合交通速度,而不是车道级交通速度;其次,大多数研究忽略了其他交通流参数对速度预测的影响。为了解决这些问题,我们提出了一个双流多通道卷积神经网络(TM-CNN)模型的多车道交通速度预测考虑交通量的影响。在该模型中,我们首先介绍了一种新的数据转换方法,将原始的交通速度数据和体积数据转换为时空多通道矩阵。然后,我们仔细设计了一个双流深度神经网络,以有效地学习各个车道之间、时空维度上以及速度和体积之间的特征和相关性。因此,一个新的损失函数,考虑体积的速度预测的影响。使用一年数据的案例研究验证了TM-CNN模型,并证明了其优越性。本文主要研究两个方面:(1)交通速度预测;(2)多车道交通流研究。
2019-03-05 cs.LG stat.ML
Instance-Conditioned Adaptation for Large-scale Generalization of Neural Routing Solver
School of Automation and Intelligent Manufacturing and Guangdong Provincial Key Laboratory of Fully Actuated System Control Theory and Technology, Southern University of Science and Technology, Shenzhen 518055, China(自动化与智能制造学院和广东省全驱动系统控制理论与技术重点实验室,南方科技大学,深圳518055,中国);Department of Computer Science, City University of Hong Kong, Hong Kong SAR, China(计算机科学系,香港城市大学,香港特别行政区,中国);Huawei Noah’s Ark Lab, Hong Kong SAR, China(华为诺亚实验室,香港特别行政区,中国)
提出实例条件适应模型(ICAM),通过简单高效的实例条件适应函数和低复杂度的适应模块,显著提升神经路由求解器在大规模旅行商问题(TSP)、容量车辆路径问题(CVRP)和非对称旅行商问题(ATSP)上的泛化性能,同时保持快速推理速度。
2026-06-28 cs.AI cs.LG cs.NE
Leveraging the Self-Transition Probability of Ordinal Pattern Transition Graph for Transportation Mode Classification
Federal University of Minas Gerais(米纳斯吉拉斯联邦大学);Federal University of Alagoas(阿拉戈斯联邦大学)
GPS轨迹的分析是城市计算中一个得到充分研究的问题,并已被用于跟踪人。分析人们的流动性并确定他们使用的交通模式对于希望减少交通堵塞和两点之间的旅行时间的城市至关重要,从而有助于提高公民的生活质量。移动物体的轨迹数据由时间上的离散点集合表示,即,时间序列关于其跨学科和广泛的实际应用范围,显然需要从时间序列数据中提取知识。然而,挖掘这种类型的数据,由于其独特的属性,面临着一些复杂性。不同的数据表示可以克服这一点。在这项工作中,我们建议使用的有序模式转换图,称为概率的自转换运输模式分类保留的功能。所提出的特征比置换熵和统计复杂度提供了更好的准确性结果,即使当这两个组合。这是第一个将信息论量词应用于交通方式分类的工作,表明了该方法的可行性。
2020-07-16 cs.LG eess.SP stat.ML
On the explainable properties of 1-Lipschitz Neural Networks: An Optimal Transport Perspective
Université Paul-Sabatier(保罗萨巴蒂尔大学);Institut de Recherche Technologique Saint-Exupéry(圣埃克苏佩里技术研究院);Carney Institute for Brain Science,Brown University(布朗大学卡尼脑科学研究所);Innovation & Research Division, SNCF(法国国家铁路公司创新与研究部)
该研究从最优传输视角出发,发现经对偶损失训练的1-Lipschitz神经网络的显著性图噪声低、聚焦关键区域、与人类解释高度吻合,同时兼具可认证鲁棒性与良好可扩展性,为可解释AI提供了新方案。
2024-02-02 cs.AI cs.CR cs.CV
Unsupervised Driver Behavior Profiling leveraging Recurrent Neural Networks
School of Cybersecurity, Korea University(高丽大学网络安全学院);SOCAR
在智能交通时代,驾驶员行为分析已经成为一种有益的技术,因为它提供了关于驾驶员攻击性的知识。以前的方法通过建立统计学规则或基于监督学习的模型来实现有前途的驾驶员行为分析性能。尽管如此,仍然存在从业者应该准备标记数据集的限制,并且先前的方法不能对先验未知的攻击性行为进行分类。在追求改善上述缺点,我们提出了一种新的方法,利用无监督学习范式的驾驶员行为分析。首先,我们将驱动程序行为分析问题转换为异常检测。其次,我们建立了循环神经网络,该网络可以在给定特征向量序列的情况下预测下一个特征向量。我们只使用正常的驾驶员数据训练模型。因此,我们的模型产生高的回归误差给定的一系列侵略性的驱动程序的行为和低的错误给定的一系列正常的驱动程序的行为。我们认为,这种差异的错误之间的正常和积极的驾驶员行为可以是一个足够的标志,驾驶员的行为分析,并完成了精确的性能在实验中。最后,我们进一步分析了识别每种攻击性驾驶员行为的最佳序列长度水平。我们希望所提出的方法能够成为无监督驾驶员行为分析的有用基线,并为高效,智能的交通生态系统做出贡献。
2021-08-11 cs.AI cs.HC cs.LG