Trajectory Data Mining and Trip Travel Time Prediction on Specific Roads
Data Science Consultant（数据科学顾问）；Datamatics Technologies（Datamatics技术公司）；Department of CS&IT Women University of AJ&K（CS&IT系妇女大学AJ&K分校）；Classified institute（保密机构）；Department of Computer Science（计算机科学系）；Kohsar University（Kohsar大学）；Disruptive Innovation Laboratory（颠覆性创新实验室）；PIEAS
Muhammad Awais Amin, Jawad-Ur-Rehman Chughtai, Waqar Ahmad, Waqas Haider Bangyal, Irfan Ul Haq
备注：
N/A
发表信息：
2024 International Conference on Engineering & Computing Technologies (ICECT)
Predicting a trip's travel time is essential for route planning and navigation applications. The majority of research is based on international data that does not apply to Pakistan's road conditions. We designed a complete pipeline for mining trajectories from sensors data. On this data, we employed state-of-the-art approaches, including a shallow artificial neural network, a deep multi-layered perceptron, and a long-short-term memory, to explore the issue of travel time prediction on frequent routes. The experimental results demonstrate an average prediction error ranging from 30 seconds to 1.2 minutes on trips lasting 10 minutes to 60 minutes on six most frequent routes in regions of Islamabad, Pakistan.
Multitask Weakly Supervised Learning for Origin Destination Travel Time Estimation
Southern University of Science and Technology（南方科技大学）；Research Institute of Trustworthy Autonomous Systems, Southern University of Science and Technology（南方科技大学可信自主系统研究院）；The University of Tokyo（东京大学）；SUSTech-UTokyo Joint Research Center on Super Smart City（南方科技大学-东京大学超智慧城市联合研究中心）
Travel Time Estimation without Road Networks: An Urban Morphological Layout Representation Approach
Ohio State University（俄亥俄州立大学）；University of California, Berkeley（加州大学伯克利分校）；Wisense AI（Wisense人工智能公司）
行程时间估计不仅是个人行程规划的重要任务，也是城市规划的重要任务。以前的方法侧重于对路段或子路径进行建模，然后总结最终预测，最近已被具有端到端训练的深度神经模型所取代。通常，这些方法是基于显式的特征表示，包括时空特征，交通状态等，在这里，我们认为，当地的交通状况是密切联系在一起的土地使用和建成环境，即，地铁站、主干道、交叉口、商业区、居民区等，但这种关系是时变的，过于复杂，无法明确有效地建模。因此，本文提出了一种端到端的多任务深度神经模型，名为Deep Image to Time（DeepI2T），主要从构建的环境图像中学习旅行时间，也就是说，形态布局图像，并在两个城市的真实世界数据集上展示新的最先进的性能。此外，我们的模型旨在解决路径感知和路径盲的情况下，在测试阶段。这项工作开辟了新的机会，使用公开的形态布局图像作为大量的信息，在多个地理相关的智慧城市应用。
