时空数据挖掘十

已于 2024-04-20 10:10:16 修改
阅读量7 收藏
点赞数
分类专栏： 时空数据预测（基于图神经网络） 时空轨迹数据 文章标签： 人工智能 机器学习
于 2022-09-13 20:26:41 首次发布
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/zj_18706809267/article/details/126828937
版权

DEEPTRAVEL: a Neural Network Based Travel Time Estimation Model with Auxiliary Supervision

道路行驶时间的估计对城市智能交通具有重要意义。现有的方法要么是基于每个路段的时间成本估计，要么是基于非学习的启发式设计。前者无法捕获许多跨段复杂因素，后者无法利用数据已有的丰富时间标签，即每个轨迹点的时间戳。在本文中，我们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，即DEEPTRAVEL，可以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

阅读者总结：论文的创新点在于模型设计上考虑了多种状况的融合，长短期状况，时空嵌入关系等。在18年该模型还是很新颖的。 

 我们建议使用DEEPTRAVEL作为解决方案。如图1所示，它由两层组成，特征表示层和预测层。前者旨在从路径中提取不同的特征，后者在辅助监督下利用这些特征预测行程时间。

3.1 Feature Representation Layer 

我们使用特征来捕捉可能影响路径旅行时间的因素。DEEPTRAVEL考虑了时空嵌入、驾驶状态特征、短期和长期交通特征。我们用每个网格作为这些特

最低0.47元/天 解锁文章
西西弗的小蚂蚁
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
时空数据挖掘七
小蚂蚁与大象
09-12 800
此外，提出了一种高效的分治算法来推导两个语义轨迹之间的空间相似度边界和文本相似度边界，使我们能够在不计算空间-文本相似度精确值的情况下剪枝不相似的轨迹对。其次，与传统的使用昂贵的黎曼梯度的双曲嵌入方法相比，该方法可以以更高效的方式进行优化。具体地，针对τi和τj中的不足，提出了轨迹对剪枝策略，剪枝"不合格"的轨迹对，而不需要计算每个对象对之间的相似度。然而，之前基于图的方法将GNN应用于构建的连通图，以学习每个POI的邻居的权重系数，这些POI是时变的和不透明的[11,13]。
时空数据挖掘四（城市计算）
小蚂蚁与大象
09-09 688
在该框架的实现中，提出了一种新的神经网络模型，即基于物理学的人群模拟器(PCS)，以及定制的交互机制，使两个模型相互促进。这两个模型在精度、逼真度和通用性方面都优于现有的最先进的仿真方法，证明了PIML框架在提高仿真性能方面的有效性，以及促进科学发现和加深对人群动力学的理解的能力。强化学习(RL)在决策方面具有强大的能力，然而，在开发基于RL的EPC策略时存在两个主要挑战:(1)关于无症状感染的潜伏期不可观察的信息给强化学习的决策带来困难;在四个任务的三个真实数据集上的广泛实验结果表明了所提模型的有效性。
时空轨迹数据挖掘综述
hitheu的专栏
06-27 5664
时空轨迹数据挖掘综述 得益于空间定位技术、传感器网络的飞速发展，空间定位传感器在飞机、舰船、汽车以及手持设备上得到普遍使用，产生并积累了海量的移动目标时空轨迹数据。这些时空轨迹数据内嵌于连续的空间，数据本身在时间与空间上存在很强的自相关性，其中隐含的模式往往具有局部性的特点，从而使得面向时空轨迹数据的挖掘具有较高的复杂性。过去十几年来业界提出了一些列的技术与方法来分析挖掘海量、高维的时空轨迹数据，萃取轨迹数据中隐含的价值知识，从而催生出众基于轨迹数据、多面向不同业务场景的上层应用，如智能交通系统、智慧城市
【科研笔记】时空大数据挖掘——前言
weixin_54335478的博客
05-01 1236
从基础理论的角度出发，有侧重地讲述数据科学、网络科学以及AI赋能下的ST-BD。随着机器学习、深度学习的不断发展，时空分析领域不仅仅限于使用物联网传感器检测、运筹统计、GIS空间数据分析、地统计等方向，AI+X赋能众多“基科”，推动了全新的数据挖掘建模方式。根据任务场景的不同，选取需要的数据，进行清洗；以及所选数据的时空特性（不同领域的数据具有不同的特异属性--后续分享）综合建立所需的模型。季节性变化通常遵循时钟和日历——一般一天、一周或一年的重复。时空轨迹、时空格子数据、时空图数据、时空序列数据。
时空数据挖掘之轨迹终点识别-论文研读1
ST_group的博客
03-13 721
本文提出的重卡货运行程终点识别方法架构如下图2所示：图中主要步骤如下：Step1，使用预定的速度阈值从GPS轨迹中识别重卡驻留点（见图2中的步骤1）。如果重卡的速度为零，则认为车辆是静止的。由于GPS漂移的影响，计算出车辆的平均速度通常不为零，本文使用确定的速度阈值从GPS轨迹中识别重卡驻留点（即GPS平均速度小于速度阈值则认为是驻留点）；Step2，确定多级时间阈值，并根据重卡的最大停车时间选择一个合适的时间阈值，从重卡驻留点中确定行程终点。
面向大数据的时空数据挖掘
ydtici6go5j的博客
08-01 4550
面向大数据的时空数据挖掘 早期的数据挖掘研究主要针对字符、数值型的商业数据，随着信息技术的不断提高以及移动设备和网络的广泛使用，数据产生的速度越来越快，数据收集的频率越来越高，数据密度的增长越来越显著，这些因素都使得大数据问题成为一种必然的趋势。而在大数据时代下很多商业数据都包含有时间和空间信息，比如设备，建筑，机构等的管理，能量的产生，分布及预测等。 IBM SPSS Modeler 是参照...
时空数据挖掘二（城市计算）
小蚂蚁与大象
09-09 356
这样，我们的方法只需要对所有区域对之间的𝑀2相关性进行建模1，其中通常𝑀≪𝑁。此外，提出一种基于矩阵分解的元学习器，使细胞对随时间变化的外部因素产生特异性响应。实验结果表明，与目前最先进的方法相比，STRN在使用更少参数的情况下，误差降低了7.1% ~ 11.5%。此外，我们还部署了一个名为UrbanFlow 3.0的云系统，以展示该方法的实用性。本文将城市流量预测的视野扩展到细粒度，提出了特定的挑战:1)细粒度数据中观察到的网格间过渡的优势，使捕捉全球尺度上网格单元之间的空间依赖关系变得更加复杂;
时空数据挖掘一（城市计算）
小蚂蚁与大象
09-08 4082
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;
图神经网络应用变体(时空数据挖掘一)
小蚂蚁与大象
06-02 434
Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting（AAAI202） 解决问题：实现交通流量预测 动机： 1.由于道路网络和交通条件所带来的复杂的时空相关性和不确定性； 2.这些方法受限于捕捉交通数据非线性的能力，而忽略或几乎不利用空间相关性 3.cnn限制模型处理网格结构(如图像和视频)，没有考虑以不规则道路网络为主的非欧几里 4. GCN存在两个限制：1）在一个...
时空数据挖掘笔记
And now I know that i be on my own
12-11 243
一、ARIMA
时空数据挖掘研究进展
08-21
时空数据挖掘的相关技术点汇总和分析，可以参考一下，
关于时空数据与时空数据挖掘技术
05-25
本ppt着重从时空数据基本概念到时空数据分析再到时空数据挖掘技术的研究做了简要说明
基于时空数据挖掘技术的分析.pdf
07-14
基于时空数据挖掘技术的分析.pdf
面向大数据的时空数据挖掘综述.pdf
07-14
面向大数据的时空数据挖掘综述.pdf
面向公共安全的时空数据挖掘综述.pdf
07-14
面向公共安全的时空数据挖掘综述.pdf
从GAN到WGAN（02/2）
最新发布
gongdiwudu的专栏
06-14 988
生成对抗网络 （GAN） 在许多生成任务中显示出巨大的效果，以复制现实世界的丰富内容，如图像、人类语言和音乐。它的灵感来自博弈论：两个模型，一个生成器和一个批评家，在相互竞争的同时使彼此更强大。然而，训练GAN模型是相当具有挑战性的，因为人们面临着训练不稳定或收敛失败等问题。在这里，我想解释一下生成对抗网络框架背后的数学原理，为什么很难训练，最后介绍一个旨在解决训练难点的GAN修改版本。
Meta首席AI科学家Yann LeCun指出生成式AI的不足
2301_79342058的博客
06-09 1472
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗？订阅我们的简报，深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同，从行业内部的深度分析和实用指南中受益。不要错过这个机会，成为AI领域的领跑者。点击订阅，与未来同行！订阅：https://rengongzhineng.io/在当今被誉为技术创新前沿的生成式AI领域，Meta首席AI科学家Yann LeCun提出了一个颠覆现状的观点。
景芯SoC A72的时钟树分析
u011075954的专栏
06-13 575
innovus的ctslog中的Clock DAG信息可以报出来CTS主要运行步骤的关键信息，比如clustering，balancing做完后的clock tree的长度，clock tree上所用的buffer、inverter，icg cell数量，clock skew等信息。可以看到cell、sink的counts，也可以看到BUF、ICG的数量，接下来我们来看看景芯SoC A72 TOP的CLOCK ID和BUF个数的变化吧。先看下景芯SoC A72项目的cts latency变化过程。
yolov10主要特点
yzf060109的专栏
06-14 649
以下是YOLOv10与其他模型的快速对比：YOLOv10-S：46.3 AP，2.49毫秒延迟YOLOv10-M：51.1 AP，4.74毫秒延迟YOLOv10-L：53.2 AP，7.28毫秒延迟YOLOv10-X：54.4 AP，10.70毫秒延迟这些改进使YOLOv10成为实时目标检测任务的首选，从自动驾驶到智能监控。与YOLOv9-C相比，YOLOv10-B（一个平衡的变体）延迟减少了46%，参数量减少了25%，同时保持了相同的性能水平。一对多分配：在训练过程中使用，以提供丰富的监督信号。
时空数据挖掘有哪些方面的应用？请举例说明。
05-10
时空数据挖掘是指在地理信息系统（GIS）中对时空数据进行处理和分析，从中挖掘出有价值的信息和知识。其应用非常广泛，以下是一些方面的应用及其举例： 1. 城市规划：通过对城市人口、交通、环境等方面的时空数据...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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