精读论文：Urban Traffic Prediction from Mobility Data Using Deep Learning

最新推荐文章于 2023-11-09 17:36:05 发布
最新推荐文章于 2023-11-09 17:36:05 发布
阅读量1.6k 收藏 9
点赞数 8
分类专栏： 论文笔记
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013982164/article/details/84063734
版权
本文深入探讨了使用深度学习预测城市交通的研究，包括交通速度、流量和事故风险预测。通过分析不同类型的交通数据，如基础设施数据、轨迹数据和AFC记录，作者指出深度学习模型如CNN在处理时空数据上的优势。文章讨论了未来研究方向，如多源数据的联合优化和并行计算在加速预测中的作用。
摘要由CSDN通过智能技术生成

Urban Traffic Prediction from Mobility Data Using Deep Learning

IEEE Network 2018

OUTLINE

  • mobility data 的四种分类
  • 传统方法及三种任务的介绍和深度学习在三种任务中的进展
  • 未来的两个研究方向

文章把预测交通的 mobility data 分成如下几类

  1. Traffic Data from Infrastructures
    • e.g., loop detectors and traffic cameras
    • 时间变但空间不变的点数据，因为一旦部署之后位置不变，但它的获得的数据是随时间在变（郑宇博士的分类）
  2. Trajectory Data from Vehicles
    • e.g., taxis and buses (with GPS)
    • 时间变且空间变的网数据，->轨迹数据是最复杂的时空数据之一（郑宇博士的分类）
  3. AFC Records from Transit Systems
    • AFC = 城市轨道交通自动售检票系统，例如高速公路的ETC，地铁等
    • 时间变但空间不变的网数据，想象->带有路网的交通流数据（郑宇博士的分类）
最低0.47元/天 解锁文章
一条咸狗
关注
  • 8
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【论文笔记】A Deep Learning Approach to the Citywide Traffic Accident Risk Prediction
Mushroom_CC的博客
07-12 910
【论文笔记】A Deep Learning Approach to the Citywide Traffic Accident Risk Prediction 问题: 具有高时空分辨率的交通事故风险预测困难 复杂的交通环境， 人类行为 缺乏实时的交通相关数据。 交通事故的动态性 本文成果 本文收集了重大交通事故数据，建立了基于循环神经网络的交通事故风险预测深度模型。通过分析交通事故频发的时空模式，提出了交通事故的时空相关性。基于在分析中发现的模式，提出了一种高精度的交通事故风险预测深度学习模型。该
traffic-prediction:使用LSTM预测流量。 仅用于实验目的，不受支持！
04-30
基于LSTM的流量预测 该项目旨在通过的前端，将LSTM用于流量预测。 超参数优化用于查找网络的最佳参数集。 用法 跑步： pip install -r requirements.txt 然后编辑以便它使用您自己的网络参数。 它将尝试将超参数结果存储在mongodb中。 您可以使用查看它们。 请记住，这仅用于实验，不适用于生产。 使用以下命令运行： python main.pymain.py <steps> </path> <train> <num> <model> CSV格式应为以下格式： timestamp,16,17,18,19,20,21 2011-12-31 23:55:00,4,6,8,13,3,0 2012-01-01 00:00:00,
【交通流量预测论文】A novel hybrid method for achieving accurate and timeliness vehicular traffic flow predict
最新发布
gao00013的博客
11-09 1165
交通运输系统的高效、顺畅运行对于保证现代社会的正常运转和人们的日常生活至关重要。然而，由于现有道路网络的容量有限，车辆的增加导致了更频繁和严重的交通拥堵。因此，如何有效利用现有系统有限的通行能力，通过适当的交通流管理来降低拥堵发生的概率是亟待解决的关键问题。在这种情况下，及时准确的交通流预测对于制定合理的交通控制策略至关重要，直接影响交通控制措施的有效性。然而，作为一个典型的大型复杂网络，不同路段的交通运动是相互影响的。
【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（1）
weixin_43360025的博客
05-20 1263
【论文阅读】Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（1）1.Introduction（介绍）2.Related work（相关工作）参考文献 Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting 基于注
论文笔记：Traffic Flow Prediction via Spatial Temporal Graph Neural Network
qq_40206371的博客
07-02 843
WWW 2020。
【交通流预测】《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》论文详解
stt666的博客
01-18 1万+
《STGCN》文章目录文章总结Abstract一、Introduction二、Preliminary1. Traffic Prediction on Road Graphs2. Convolutions on Graphs三、Proposed Model1. Network Architecture2. Graph CNNs for Extracting Spatial Features3. Gated CNNs for Extracting Temporal Features4. Spatio-te
Protein secondary structure prediction by using deep learning method
02-07
The prediction of protein structures directly from amino acid sequences is one of the biggest challenges in computational biology. It can be divided into several independent sub-problems in which ...
Deep Learning for Event-Driven Stock Prediction
02-21
We propose a deep learning method for event-driven stock market prediction. First, events are extracted from news text, and represented as dense vectors, trained using a novel neural tensor network. ...
09_Deep_Learning_Prediction_deeplearning_prediction_
09-29
标题“09_Deep_Learning_Prediction_deeplearning_prediction_”暗示了这个压缩包包含的是关于深度学习预测的内容，特别是与股票预测相关的项目。描述“deep learning stock prediction in python”表明我们将深入...
Prediction of Antifungal Peptides by Deep Learning with Character Embedding
02-08
This paper introduces a method, called AFPDeep,.which only uses peptide sequences as input, without calculating any features by human intervention for the prediction.of AFPs. First, an embedding ...
【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（4）
weixin_43360025的博客
09-13 1199
【论文阅读】Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（4） 5. Experiments（实验） 6. Conclusion and Future Work（结论与未来工作）
交通时空数据预测·论文阅读
Yanir的博客
11-21 2959
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting 摘要：由于不同道路之间复杂的空间相关性和时间模式的动态趋势，使得交通流时空数据预测成为一项具有挑战性的任务。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间相关性。然而，不完全相邻连接的给定空间图结构的有限表示可能会限制这些模型的有效时空依赖学习。此外，现有的方法在解决复杂的时空数据时显得力不从心：它们通常使用单独的模块来处理时空相关性，或者它
论文阅读笔记：Traffic Anomaly Prediction Based on JointStatic-Dynamic Spatio-Temporal EvolutionaryLearning
ayuuuuu的博客
10-20 421
图卷积交通事故预测文章阅读笔记
STMetaNet：基于深度元学习的时空数据城市交通预测
myblog
11-29 2548
**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning 简介：KDD 2019的论文，考虑了节点和边的元信息来做预测 **解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。 其
Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning总结
Jeff zhao
06-11 950
在这里插入图片描述
时空数据挖掘一（城市计算）
小蚂蚁与大象
09-08 4853
直观地说，一条边的特征依赖于它的属性，如道路的连通性和节点之间的距离。为了对全市交通进行建模，受对交通缺失模式和先验知识的观察启发，提出了一种神经记忆和泛化方法来推断缺失的速度和流量，主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验，以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义，但具有3个方面的挑战:1)城市交通复杂的时空相关性，包括位置之间的空间相关性和时间戳之间的时间相关性;
泛读论文：Person-reID 行人重识别合集
热门推荐
汪汪汪的博客
03-19 1万+
2017CVPR、ICCV和NIPS在Person Reidentification方向的相关工作小结 基于融合特征的行人再识别方法 模式识别与人工智能 2017.3 问题 目前常用的行人再识别方法主要集中在行人外形特征的描述和同一行人对应的 2 幅图像之间距离的学习度量．由于行人图像的亮度和相机角度的变化等，提取行人的外形特征的不变性较难，因此在各个图像库上行人再识别的识别率较低 ...
引用Prediction of heart abnormalities using deep learning model and wearabledevices in smart health homes
05-11
这篇论文的主要研究内容是基于深度学习模型和可穿戴设备，对智能健康家居中心的心脏异常进行预测。研究人员通过对多个智能家居中心的数据进行分析和训练，建立了一个深度学习模型，该模型能够通过可穿戴设备收集的心电图等数据，进行心脏异常的预测。通过实验验证，该模型在预测心脏异常方面表现出了较高的准确率和可靠性。该研究为智能健康家居的应用提供了新的思路和方法。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值