时空轨迹数据
文章平均质量分 75
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
Collectively Simplifying Trajectories in a Database: A Query Accuracy Driven Approach
这篇论文:想法还是比较容易的,主要是利用八叉树管理轨迹,具体采用立方体等方法,这是很常见的技术。其次使用强化学习方法创建八叉树 来达到查询驱动的目的,进而使得轨迹简化产生的误差尽可能满足查询精度的要求。由于存储和查询大量轨迹数据的成本很高,因此引入了轨迹简化技术,其直观目的是减少轨迹的大小,从而减少存储并加快查询速度,同时尽可能多地保留信息。我们没有使用可能在某种程度上间接产生具有高可用性的简化轨迹的误差度量,而是采用直接的方法进行简化,首先,它综合考虑数据库中的所有轨迹进行简化。原创 2023-11-23 12:01:50 · 545 阅读 · 0 评论 -
DisenPOI: Disentangling Sequential and Geographical Influence for Point-of-Interest Recommendation
在本文中,我们提出了DisenPOI,这是一个双图模型,可以解开兴趣点推荐的顺序和地理影响。我们构建了一对基于序列的图G𝑠𝑢和基于位置的图G𝑔𝑢来模拟访问背后的顺序和地理因素。在三个数据集上的实验证明了disenpoi在区分序列和地理对基于位置的CTR预测的影响方面的有效性和表达性。,这可能导致推荐性能次优和可解释性差。在本文中,我们通过提出DisenPOI来解决上述挑战,DisenPOI是一种新的用于POI推荐的解纠缠双图框架,它在两个单独的图上共同利用顺序和地理关系,并通过自我监督来解纠缠这两种影响。原创 2023-05-03 11:37:32 · 141 阅读 · 1 评论 -
SLOTH: Structured Learning and Task-based Optimization for Time Series Forecasting on Hierarchies
层次时间序列预测,主要针对的是多元时间序列中,各个序列能够形成一个层次结构的场景,层次结构中,满足父节点的序列值等于其子节点序列值之和。整体的优化目标是最小化预测误差,同时要求预测结果满足和约束,这是一个典型的带约束的最优化问题,文中直接将其转换成拉格朗日对偶形式求解,并加了一个OptNet层实现网络中的梯度更新。整体结构如下图,对于每一层的节点表示,都拼接其父节点的表示,形成一个矩阵,然后使用一维卷积,对表示进行融合。约下层的节点,粒度越细,噪声越大,序列规律性越差,但是信息含量丰富。原创 2023-05-25 11:21:38 · 129 阅读 · 0 评论 -
NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries
NEIST主要由三个部分组成:轨迹预测模型、轨迹后缀树索引和基于时隙的tpr树(TS-TPR)。1)它的现有轨迹被用作神经模型的输入,神经模型将生成对轨迹的预测。如果一个新对象与由后缀树索引的对象具有相似的轨迹,我们直接返回预测结果,这大大减少了预测开销。为了减少预测开销,进一步构建后缀树来索引具有相似后缀的轨迹,从而将给定相似性范围内的相似对象分组在一起以共享相同的预测结果。三个关键点:1)是神经网络轨迹预测。3)将神经模型或后缀树索引生成的预测结果插入到TS-TPR中,以回答预测的时空查询。原创 2023-07-13 23:51:03 · 116 阅读 · 0 评论 -
PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation
作为新兴的强大生成模型,扩散概率模型可用于以观测为条件的缺失值填补,避免从不准确的历史填补中推断缺失值。然而,将扩散模型应用于时空填充时,条件信息的构建和利用是不可避免的挑战。针对扩散模型修复时条件信息构建和利用困难的问题,设计了一种专门的噪声预测模型来增强和提取条件特征。在本节中,我们首先介绍扩散模型如何应用于时空填补,然后介绍噪声预测模型的细节结构,这是扩散模型成功的关键。PriSTI在不同真实时空数据的各种缺失模式下均优于现有的填补方法,并能有效处理高缺失率和传感器故障等场景。原创 2023-03-07 21:45:43 · 413 阅读 · 1 评论 -
Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models
Practical Adversarial Attacks on Spatiotemporal Traffic Forecasting Models基于机器学习的交通预测模型利用复杂的时空自相关性来提供城市范围的交通状态的准确预测。然而,现有方法假设一个可靠和无偏的预测环境,这在实际环境中并不总是可用。本文研究了时空流量预测模型的脆弱性,提出了一种实用的对抗时空攻击框架。具体而言,不是同时攻击所有地理分布的数据源,而是提出一种迭代梯度引导的节点显著性方法来识别时间依赖的受害节点集合。此外,设计了一种基于时空原创 2022-12-03 15:26:55 · 220 阅读 · 0 评论 -
Domain Adversarial Spatial-Temporal Network:A Transferable Framework for Short-term Traffic Forecas
准确的实时交通预测是智能交通系统(ITS)的关键,是各种智能移动应用的基石。尽管该研究领域以深度学习为主,但最近的研究表明,通过开发新的模型结构来提高精度的效果正在变得边缘化。DastNet在多个源网络上进行预训练,并利用目标网络的流量数据进行微调。利用图表示学习和对抗性域适应技术来学习域不变的节点嵌入,进一步将其纳入对时序流量数据的建模。经过训练的DastNet被应用于香港的新交通检测器,获得准确的交通。如图3所示,DastNet的训练分为两个阶段,我们在图中使用两个源域进行说明。原创 2022-10-23 16:48:29 · 8 阅读 · 0 评论 -
TITS2022
Semi-Supervised Federated Learning for Travel Mode Identification From GPS Trajectories随着各种基于GPS的智能设备的发展,GPS轨迹作为出行模式识别的重要数据源。但是,这些数据直接集成了用户的隐私信息,从而阻碍了用户与第三方共享数据。另一方面,现有的识别方法严重依赖于各自的人工出行方式标注,其生产效率低,容易出错。在本文中,我们提出了一种半监督联邦学习(SSFL)框架,可以在不使用用户原始轨迹数据或依赖显著数据标签的情况原创 2022-09-25 12:24:23 · 20 阅读 · 0 评论 -
Trajectory-driven Influential Billboard Placement
直观地说,我们将U划分为一组小的簇,为每个簇计算局部有影响力的广告牌,并将它们合并以生成U的全局有影响力的广告牌。经过仔细的研究,我们观察到,在现实世界中,大多数轨迹都跨越一个小的区域.值得注意的是,在u中可能存在多个θ-分区.寻找一个好的θ-划分并不是微不足道的,因为它可以建模为平衡k-切割问题,其中图中的每个顶点是一个广告牌,每条边表示两个影响重叠的广告牌,这被发现是np难的.给定重叠率,我们提出θ-partition的概念来权衡簇的大小和簇的重叠,其中θ是一个用户定义的参数,用于控制划分的粒度。原创 2022-09-24 16:45:44 · 4 阅读 · 0 评论 -
VRE: A Versatile, Robust, and Economical Trajectory Data System
例如,在图2(a)的底部,给定一个SRQ𝑞,由于𝑞与轨迹𝑇的MBR(最小边界矩形)相交,它需要获取𝑇来验证结果。然后,针对5种广泛使用的轨迹距离函数设计了统一的剪枝策略,并针对5种高级查询设计了大量定制的处理算法。我们提出VRE,一种多功能、健壮、经济的基于磁盘的轨迹管理系统,在存储层和处理层都有精心设计(见图1)。阅读者总结:这篇论文是轨迹数据操作的集成系统,可以看得出来,从存储到上层的查询都进行了有效的处理。在存储层,提出一种新的基于段的存储模型,利用基于点和基于轨迹的存储模型的优势。原创 2022-09-24 12:19:45 · 4 阅读 · 0 评论 -
An Effective Joint Prediction Model for Travel Demands and Traffic Flows
设计了有效的区域嵌入,以捕获两种形式的区域级相关性:空间接近的区域具有相似的嵌入,而具有相似属性(如兴趣点的数量和区域中道路的数量)而不是位置的区域具有相似的嵌入。其次,提取"天-周"和"时间-天"特征,利用时间周期性设计时间区间的嵌入;再次,提出了一种有效的交通数据编码方法,该方法捕捉了两种形式的交通间相关性——过去和未来交通之间的相关性,以及过去交通数据中出行需求和交通流量之间的相关性。相似性感知图考虑每个区域的位置以外的相似性(例如,兴趣点的数量和道路的数量),以捕获第二种形式的相关性。原创 2022-09-23 21:07:57 · 3 阅读 · 0 评论 -
Public Transport Planning: When Transit Network Connectivity Meets Commuting Demand
Public Transport Planning: When Transit Network Connectivity Meets Commuting Demand本文首次尝试在公交路线规划(CT-Bus)中同时考虑通勤需求和公交网络连通性,并将其描述为一个约束优化问题:在不建立新的公交站点的情况下,在现有公交网络上规划一条具有𝑘条边的新公交路线,以最大化通勤需求和公交网络连通性的线性聚集。我们证明了CT-Bus的np -困难性,并提出了一种基于扩展的贪婪算法,迭代地扫描网络中的潜在候选路径。为了提高计原创 2022-09-23 16:37:55 · 7 阅读 · 0 评论 -
Querying Shortest Paths on Time Dependent Road Networks
然后,我们仅为边界(即边缘被分区切割的顶点)计算和索引时间依赖的最短路径(tdsp)。因为一个子分区(例如G4的{v0, v1, v2})的顶点显然也是其父分区(例如G2)的顶点,所以我们需要注意避免数据冗余,为此我们区分两种类型的分区。2. 展示了TD-G-tree如何支持单对时间依赖最短路径查询,包括:时间依赖最短路径(TDSP),在特定时间询问最佳路径,以及基于时间间隔的规划(TIP),在特定时间间隔内寻找最佳路径。请注意,在图划分时,跨分区的所有边都被切割,相应的顶点称为边界顶点(或简称边界)。原创 2022-09-22 22:31:19 · 5 阅读 · 0 评论 -
时空数据挖掘十
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,并原创 2022-09-13 20:26:41 · 5 阅读 · 0 评论 -
时空数据挖掘九
虽然这种方法总体上是有效的,但排名对中的负样本是随机获得的,可能无法在模型训练中利用“关键”负样本。给定一组路线,一组要访问的地点O和一个阈值θ,我们检索由(i)相似度不小于θ且(ii)包含最小数量的子路线组合组成的路线。考虑到几乎所有的ML工具包都假设ML算法的输入是一个单表,即使许多真实世界的数据集由于在DB中的规范化而存储为多个表。本文主要研究归一化数据上的高斯核分解SVM。本文通过分解高斯核函数计算,提出了两种主要的SVM优化方法的分解学习方法,即梯度下降(GD)和序列最小优化(SMO)。原创 2022-09-12 18:11:32 · 154 阅读 · 0 评论 -
时空数据挖掘八
由于出行的部分和剩余部分通常具有一些共同的特征,如驾驶速度,因此需要探索这些特征,通过有效的适应来提高性能。由于具有不同上下文信息的轨迹往往具有不同的特征,现有的ER-TTE元学习方法对所有轨迹使用相同的模型,不能很好地拟合每条轨迹。针对冷启动问题,将元学习中精心设计的特定于用户和特定于区域的任务无缝集成,通过合理融合区域无关的个人偏好和区域相关的人群偏好来捕获区域感知的用户偏好。现实世界中的大多数网络表现出复杂和异构的形式,包含节点之间的高阶关系和丰富的语义信息。原创 2022-09-12 17:36:33 · 242 阅读 · 0 评论 -
时空数据挖掘七
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]。原创 2022-09-12 15:42:38 · 800 阅读 · 0 评论 -
时空数据挖掘六
对于结构通道,提出METIS-CPS,一种节省内存的小批量生成策略,将大的kg划分为较小的小批量。在具有真实社区的真实图上的实验研究验证了所得到的解的质量和所提算法的效率。鉴于2-近似问题的复杂性,本文提出了两种高效的2-近似算法,即全局2-近似算法和局部2-近似算法,它们在多项式时间内运行且质量有保证。在这项工作中,我们研究了如何在不使用感染时间戳的情况下,仅使用节点最终感染状态的部分观察来进行扩散网络推断。,现有的方法通常假设观测数据是完整的,并包含每个节点的最终感染状态,以及精确的节点感染时间戳。原创 2022-09-11 18:55:06 · 153 阅读 · 0 评论 -
Efficient and Effective Data Imputation with Influence Functions
针对第一个挑战,EDIT的IIE模块引入了一种新的影响力概念,利用影响力函数来评估(In)完整样本对填补模型预测的效果。对于第二个挑战,EDIT设计了RSS模块,以构建具有最高影响力样本的最小代表集,使训练后的模型满足用户指定的填补精度。本文提出了一种高效、有效的影响函数数据插补系统EDIT,该系统在保证插补精度的前提下,快速训练出具有代表性样本的参数插补模型。注意:这类缺失值归咎方法,不是很容易理解,尤其在第二部分采用一个选择集,选择最具有影响力的集合,这种设计上的出发点难以理解。原创 2022-09-11 16:57:36 · 166 阅读 · 0 评论 -
Representative Routes Discovery From Massive Trajectories
我们不是对所有可能的路径执行深度优先搜索,而是通过开发一个最大权重算法来找到一个1/𝜂的近似解决方案。最后,在两个真实数据集上进行了全面的实验,验证了所提算法的有效性和效率,并证明了所提算法在交通监控任务中的有用性和快速响应时间。,这是一个有利于各种现实世界应用的基本操作,如交通监控和公共交通规划。我们引入一种最大权算法来近似最优解,并利用动态规划在满足预算约束的边图中寻找𝑘最大权路径。通过观察在现实世界中,每条边只连接到道路网络中的少数其他边,因此,在本节中,我们提出三种高效的算法来发现高质量的近似解。原创 2022-09-10 23:18:09 · 195 阅读 · 0 评论 -
时空数据挖掘四(城市计算)
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。原创 2022-09-09 21:22:20 · 681 阅读 · 0 评论 -
时空数据挖掘三(城市计算)
What is the Human Mobility in a New City: Transfer Mobility Knowledge Across Cities随着物联网的发展,车辆、共享单车和移动设备的GPS轨迹反映了人们的出行模式和偏好,这对城市规划、企业选址等城市应用尤为重要。然而,由于隐私和商业方面的考虑,以及部署传感器的高成本和收集数据的长时间等因素,收集大量的人类移动数据并不容易,尤其是在新兴城市。基于人类移动是由起点和终点(origin and destination, OD)特征所反映原创 2022-09-09 17:23:18 · 563 阅读 · 0 评论 -
时空数据挖掘二(城市计算)
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;原创 2022-09-09 17:22:08 · 349 阅读 · 0 评论 -
时空数据挖掘一(城市计算)
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;原创 2022-09-08 18:52:51 · 4032 阅读 · 4 评论 -
Dynamic Spatial-Temporal Graph Convolutional Neural Networks forTraffic Forecasting
将时空信息与动态拉普拉斯矩阵相融合,与两种最先进的基于图cnn的模型相比,该模型具有更高的容错性,平均精度提高10% ~ 25%。为了以较低的复杂度实现实时学习,创造性地将张量分解融入深度学习框架,将实时交通数据分解为稳定且依赖于长期时空交通关系的全局分量和捕捉交通波动的局部分量。其次张量用来模拟不同时间槽下的交通流量,这类划分时间段的办法也值得怀疑,虽然很多时空数据挖掘中也采用这类方法,但是交通流量的长期或者短期的依赖关系,不同时间粒度的划分,很难模拟依赖关系。本文将c设置为1,重点关注交通速度的监测。.原创 2022-08-31 17:36:42 · 917 阅读 · 0 评论 -
Fast Large-Scale Trajectory Clustering(VLDB2019)
它可以将轨迹距离的计算代价从二次型(LORS)降低到准线性型,同时在度量两个轨迹之间的相似性时返回相同的分数,并允许在聚类过程中使用压缩的轨迹表示。本文提出k-paths,旨在将轨迹聚类为k个组,其中选择k个有代表性的真实路径作为代表,如图1(c)所示,其中k = 10。实验验证,可以在不到一分钟的时间内对数百万条出租车轨迹进行聚类,与解决相似轨迹聚类问题的最先进解决方案相比,实现了多达两个数量级的改进。对于数据集中的所有轨迹,将构建一个反向索引,其中键是边,值是经过这条边的轨迹id的排序列表。...原创 2022-08-17 17:26:14 · 235 阅读 · 0 评论 -
REPOSE: Distributed Top-k Trajectory Similarity Search with Local Reference Point Tries(ICDE20)
首先,介绍top-k查询的基本算法,即以best-first的方式遍历RP-Trie中的节点。因此,分区具有相似的组成结构,大多数分区和计算节点都可能贡献于查询结果,从而显著提高了计算资源利用率,并实现了负载均衡。不同的是,如果一个引用轨迹是另一个引用轨迹的前缀,我们在末尾添加字符$,这保证每个引用轨迹都结束于叶节点。为了访问RP-Trie上的每个节点,LBo和LBt的计算开销均为O(mn),其中m和n分别为查询轨迹和参考轨迹的长度。相比之下,对于叶节点,我们存储了该节点中所有轨迹的完整参考轨迹。...原创 2022-08-17 16:22:39 · 222 阅读 · 0 评论 -
Distributed Trajectory Similarity Search(VLDB2017)
2)索引设计上采用分组,局部和全局方式管理轨迹,应该说这种思路也不是新颖,很多轨迹管理方法和查询方法,都是采用全局和局部索引相合的方式。特别地,讨论了在Spark中实现分布式索引的技术,以支持在全局和局部索引中紧凑地表示每个节点上的轨迹id (TID集),并构建辅助结构以避免在最终查询结果时重新构建完整的轨迹。缺点:文中在描述分段方法和基于分段的索引设计时,写的很累赘,甚至是有点绕,明显感觉没啥干货在里面,甚至可以说大量工程进行包装。它适用于不同领域的应用,如交通和运输优化,天气预报和建模,以及体育分析。.原创 2022-08-17 11:38:32 · 278 阅读 · 0 评论 -
ST2Vec: Spatio-Temporal Trajectory Similarity Learning in Road Networks
为此,本文提出ST2Vec,一种基于轨迹表示学习的架构,考虑轨迹对之间的细粒度空间和时间相关性,用于道路网络中的时空相似性学习。(iii)时空协同注意力融合(STCF),其中开发了一种统一融合(UF)方法,以帮助生成统一的时空轨迹嵌入,捕捉轨迹之间的时空相似性关系。本文提出一种新的基于表示学习的架构,称为ST2Vec,能够利用轨迹中的细粒度时间和空间信息来实现统一的时空相似性学习。, lmi (li表示G中的顶点),旨在将T(s)嵌入为低维空间中的向量vT(s),捕捉其路网约束的空间信息。...原创 2022-08-16 17:14:37 · 1346 阅读 · 0 评论 -
Maximizing Range Sum in Trajectory Data
给定一组二维空间的加权对象和一个矩形,MaxRS查询的目的是找到矩形的最优位置,使被覆盖对象的总权值(即Range Sum)最大化。为了进一步缩短响应时间,我们提出了(,δ)-近似MaxRST查询,该查询返回一个与最优覆盖权值相对误差的近似答案,概率至少为δ。最后,提出了一种基于轨迹划分的精确算法来解决MaxRST查询,时间复杂度为O(n log n),其中n为轨迹中包含的点的总数。提出(,δ)-approximate MaxRST查询,它返回一个近似的结果,最优覆盖权重的误差大于δ。...原创 2022-08-09 10:35:00 · 221 阅读 · 1 评论 -
Hierarchical Neural Architecture Search for Travel Time Estimation
用于旅行时间估计。具体而言,引入层次化神经结构搜索方法捕捉路口和路段的联合时空相关性,其搜索空间由内部搜索空间和外部搜索空间组成。在内部搜索空间中,通过空间图卷积和时间卷积运算捕获对偶图的时空相关性。在外部搜索空间中,通过对内部架构搜索的逐点图和逐边图进行卷积运算,捕捉路口与路段之间的交互模式。在两个真实的数据集上进行了实验,结果表明,Auto-STDGCN显著优于现有的方法。我们提出了一个新的Auto-STDGCN框架,如图1所示,该框架由三部分组成嵌入层、时空图学习层和多任务学习层。...原创 2022-07-23 17:15:26 · 140 阅读 · 0 评论 -
Automated Feature-Topic Pairing: Aligning Semantic and Embedding Spaces in Spatial Representation Le
提出了一个新问题特征-主题配对,并提出了一种基于粒子群优化(PSO)的深度学习框架。具体地,我们将特征-主题配对问题转化为1)潜在嵌入特征空间与2)文本语义主题空间之间的自动对齐问题。2)两两对齐,表示特征-特征相似度矩阵与主题-主题相似度矩阵之间的一致性。针对这挑战,提出了一种基于粒子群优化(pso)的特征学习、主题选择和特征-主题配对循环优化框架AutoFTP。(3)通过对嵌入特征向量与分类主题分布进行点对齐,得到特征-特征相似矩阵与主题-主题相似矩阵的一致性度量;...原创 2022-07-23 16:32:39 · 175 阅读 · 0 评论 -
Learning Embeddings of Intersections on Road Networks(sigsptial 2019)
本文提出了一种新的神经网络模型——道路网络到向量的交叉口(IntersectionoffroadnetworkToVector,IRN2Vec),旨在将道路网络嵌入到一个低维空间中,在该空间中,每个交叉口都被表示为潜在的特征向量。为了训练IRN2Vec模型,我们设计了一个新的学习框架,也被称为IRN2Vec(如图2所示),它学习给定路网中交叉口的潜在向量。首先,尽管网络表示学习方法旨在捕获网络的拓扑结构,但它们没有考虑道路网络的空间属性,例如交叉口的地理局部性。...原创 2022-07-23 16:17:56 · 104 阅读 · 0 评论 -
Social-Aware Optimal Electric Vehicle Charger Deployment on Road Network
随着电动汽车数量的快速增长,如何在城市中放置电动汽车充电器(EVcharger,EVC)以满足多种类型的充电需求也提出了挑战。为了提供更好的、惠及全社会的EVC站部署方案,本文提出路网中社会感知的最优电动汽车充电器部署问题(Social-AwareOptimalElectricVehicleChargerdeployment,SOCD)。证明了SOCD问题是np难问题。进一步,我们研究了增量情况,即在已有EVC站部署计划和额外预算的情况下,我们需要决定在哪里和多少个地方放置更多的充电器。...原创 2022-07-23 15:06:33 · 74 阅读 · 0 评论 -
Multimodal Fusion Satellite Images and Crowdsourced GPS Traces for Robust Road Attribute Detection
为了与卫星图像在空间上进行匹配,将GPS轨迹绘制成一组多通道图像序列,同时捕捉每个像素处GPS点的全局分布、车辆行驶方向和速度的局部分布及其随时间的变化。相比之下,我们的工作主要集中在方位和速度的绘制上,因为它们不仅要捕捉GPS数据点的空间分布,而且还要捕捉车辆的局部(即每个像素处)运动方向和速度分布,这对道路属性检测更为重要。进一步将GPS绘制从2D扩展到3D,以捕捉道路上GPS轨迹的时间变化。对于我们想检测的每条缺失道路属性(例如,道路类型和限速)的道路,我们从卫星图像和众包中提取基于图像的道路特征。.原创 2022-07-23 14:35:22 · 302 阅读 · 0 评论 -
TITAN: A Spatiotemporal Feature Learning Framework for Traffic Incident Duration Prediction
首先,提出基于交通速度数据提取低层特征的稀疏性优化问题,然后将高层特征推广为交通事件的各个阶段。其次,利用路网空间连通性的先验知识,提出新的特征相似度约束来预测事件持续时间。在真实交通数据和交通事故记录上进行了大量的实验,并与其他模型进行了比较,验证了该模型的有效性。因此,现有的大多数模型都不适合我们的交通事件持续时间预测问题。式7中的目标函数是多凸的,正则化器ℓ2,1是非光滑的。我们提出了一个基于admm的算法1,可以有效地优化所提出的模型。提出了一种交通事件持续时间预测模型,通过多任务学习框架,...原创 2022-07-23 13:45:05 · 162 阅读 · 0 评论 -
DetectorNet: Transformer-enhanced Spatial Temporal Graph Neural Network for Traffic Prediction
现有工作虽然考虑了时空关联建模的意义,但所学到的仍然是静态的路网结构,无法反映道路的动态变化,最终丢失了很多有价值的潜在信息。但是在监测网络中很少考虑这一点。另外,在2个公开数据集上的实验结果和4个消融实验的对比结果表明,DetectorNet的性能优于11个高级基准。高覆盖度的检测器在路径规划和避免交通拥堵方面为道路使用者带来直接和深远的好处,但利用这些数据面临独特的挑战,孤立地考虑道路之间的距离和空间位置,从交通数据中学习到固定的关系是不够的,更不能反映道路关系的变化。...原创 2022-07-23 11:46:51 · 233 阅读 · 0 评论 -
Distributed In-Memory Trajectory Similarity Search and Join on Road Network(ICDE2021)
在细化步骤中,我们设计了一个有效的位置感知算法来验证在滤波步骤中没有修剪的对。在过滤步骤中,我们计算每个轨迹的特征,这样如果两个轨迹相似,它们必须具有一个共同的特征。在精化阶段,设计了有效的算法对过滤阶段未剪枝的候选集进行验证。考虑线段g的倒表中有一个候选T,设D(T,g)和D(Q,g)分别表示T和Q中g之前的线段的长度。对于每个签名g,我们得到签名I(g)的反向列表,这个列表上的轨迹是查询Q的候选轨迹。我们可以很容易地证明,如果两条轨迹在它们的前缀中没有共同的特征,那么它们不可能是相似的。...原创 2022-07-22 14:59:40 · 275 阅读 · 0 评论 -
A Learning-based Method for Computing Shortest Path Distances on Road Networks(ICDE2021)
三是选择高质量的训练样本,以达到较低的估计误差。为了解决这些限制,本文提出了一种基于学习的方法,它可以有效地计算一个近似的最短路径距离,这样(1)性能超级快,例如,需要60-150纳秒;主要为了克服1)首先,由于向量空间过于稀疏,如果我们直接训练模型,很难收敛2)其次,训练样本的选择要谨慎,因为|V|顶点分布在整个路网中,很难训练出所有符合路网中所有顶点全局布局对。其次,在路网结构中,我们优先会想到图结构,然后将整个图形实现图嵌入,在高维空间中实现距离的度量,这种方法加速了计算效果。...原创 2022-07-22 11:46:01 · 381 阅读 · 2 评论 -
DeepTEA: Effective and Efficient Online Time-dependent Trajectory Outlier Detection(VLDB2022)
利用轨迹观测τ反映随时间变化的轨迹转换,对潜在的随时间变化进行在推断网络建模路径r(章节3.3)。之后,利用随时间变化的路径r生成轨迹观测τ(第3.4节)。然后我们利用RNN模型的隐藏状态,推断出具有高斯分布的潜在交通模式z。具体来说,我们利用随时间变化的动态交通条件来推断潜在的交通模式z。位置与潜在交通模式z的结合,不仅能最大限度地提高位置信息的可能性,还能反映时变交通条件下的轨迹转变,信息更丰富。这一重要问题有助于了解交通行为和检测出租车欺诈,但由于不同时间和地点的交通状况不同,这一问题具有挑战性。..原创 2022-07-19 15:18:54 · 230 阅读 · 0 评论