论文阅读笔记：When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks

最新推荐文章于 2025-08-22 16:28:39 发布
原创 最新推荐文章于 2025-08-22 16:28:39 发布 · 2.2k 阅读 · 6 ·
CC 4.0 BY-SA版权
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。
文章标签：

#cnn #rnn

本文介绍了DeepTTE模型，用于旅行时间估计。该模型结合地理卷积层和LSTM，捕捉时空依赖性及外部因素，如天气、路径长度。通过多任务学习和注意力机制，提升整体和局部路径时间的预测准确性。实验证明，DeepTTE在成都和北京出租车GPS数据集上的表现优于现有方法。

摘要：

问题：估算旅途路程时间，因为有很多复杂因素，包括空间相关性，时间依赖性，外部条件等

提出一种新方法DeepTTE(Travel Time Estimation)，估算路程时间。可以同时估计整个路径和每个局部路径时间。

主要贡献：

  • 提出一个时空组件从原始GPS序列中学习其时间和空间依赖性。详细的说，主要有两部分组成：
  1. 一个基于地理的卷积层，将原始GPS序列转换成一系列特征地图
最低0.47元/天 解锁文章
【gcc】RtpTransportControllerSend学习笔记 3：gcc 算法
突围
10-07 1641
gcc
交通运输相关机器学习/深度学习相关资源列表，关于交通运输场景的机器学习/深度学习的资源这里都有
明柳梦少的博客
05-09 2139
本文素材来源于GitHub，经本人翻译及整理首发于优快云，仅供技术交流所用，请勿商用。欢迎大家关注我的公众号: gbxiao992 原文地址：https://github.com/zzsza/Awesome-Mobility-Machine-Learning-Contents/blob/master/README.md 交通运输相关机器学习/深度学习相关资源列表 Machine Lear...
When Will You Arrive Estimating Travel Time Based on Deep Neural Networks
空字符
07-30 1474
1. 背景 这是一篇发表在2018AAAI上面的文章，其目的是通过对历史车辆轨迹的学习，然后用于预测车辆的通勤时间(Travel Time Estimation)，也就是给定一条路径，然后预测从起点到终点所需要的时间。 在先前的论文中，对于一条路径travel time的预测主要有两种方式：Individual vs. Collective，也就是单独预测和整体预测。所谓单独预测就是将整个路径划...
When Will You Arrive? Estimating Travel Time Based on Deep Neural Networks论文笔记
cy_believ的博客
04-02 1670
摘要：估算城市中任何一条道路（由一系列相连的路段表示）的行驶时间，对于交通监控、路线规划、乘客共享、出租车/Uber调度等具有重要意义。然而，这是一个非常具有挑战性的问题，受到各种复杂因素的影响，包括空间相关性、时间相关性、外部条件（如天气、交通灯）。先前的工作通常集中在估计单个路段或子路径的行程时间，然后总结这些时间，这导致了不准确的估计，因为这些方法不考虑道路交叉口/交通灯，并且可能累积局部误...
An Experimental Study on Speech Enhancement Based on Deep Neural Networks学习摘要
xingzhedai的专栏
11-07 1555
李锦辉教授是佐治亚理工的终身教授，研究方向主要是DL，其中包含基于DL的噪声消除，在这一领域被看作是经典之一，目前在行业里也有人推荐李教授的这一方法，看起来值得一试。 这篇paper主要是提出了基于DNN网络的噪声消除的framework，并且给出了测试结果，当然，从测试结果看，该方法还是优于现有的其它方法的。   图1:基于DNN的消噪算法框架        该算法主要包括训练阶段和增强
# 【综述】2023 [ITSC] 数据驱动的行程时间估计方法
suzukiwudi的博客
11-12 803
行程时间估计是智能交通系统的重要组成部分，影响着导航、叫车和路线规划等各种应用。传统的行程时间估计方法依赖于主观判断、有限的数据源和简单的建模技术。由于数据挖掘和机器学习的最新进展，许多数据驱动的方法被用来解决传统方案中出现的问题，并表现出卓越的性能。在本文中，我们对数据驱动的出行时间估计方法进行了全面的调查，包括应用场景、时空建模方法和数据表示学习技术。为了支持和促进该领域的进一步研究，本文提供了有价值的开放数据源和源代码列表，为研究人员未来的努力奠定了坚实的基础。
【亲测免费】 探索未来出行时间：基于深度神经网络的旅行时间预测工具
gitblog_00074的博客
06-17 564
探索未来出行时间：基于深度神经网络的旅行时间预测工具 在这个日益繁忙的世界中，准确地预估旅行时间是许多人日常规划中的关键环节。为此，我们向您推荐一个开源项目——【When Will You Arrive?】，这个项目源自AAAI 2018年的研究论文，它利用深度神经网络（Deep Neural Networks）来估计交通出行时间，为实时交通管理与个人行程安排提供了强大的工具。 项目介绍 该项目提...
文献阅读笔记【液态神经网络】：Interpretable recurrent neural networks in continuous-time control environments
最新发布
Grow into a more wonderful you
08-22 856
本文介绍了Ramin Hasani的博士论文《Interpretable recurrent neural networks in continuous-time control environments》，该研究针对循环神经网络在连续时间控制环境中可解释性差的问题，提出液态时间常数网络（LTCs）。LTCs受到秀丽隐杆线虫神经系统的启发，通过非线性模块调节神经元时间常数，具有通用逼近能力和稳定性。论文还提出了基于响应特征的定量解释方法，成功应用于自动驾驶等任务。研究显著提升了连续时间环境下神经信息处理系统
[论文阅读笔记17]A Survey on Knowledge Graph-Based Recommender Systems
ld326的专栏
02-19 5157
一，题目 TKDE 2020 A Survey on Knowledge Graph-Based Recommender Systems 综述：基于知识图谱的推荐系统 In IEEE Transactions on Knowledge and Data Engineering (IEEE TKDE), 2020 doi: 10.1109/TKDE.2020.3028705. 二，作者 Qingyu Guo, Fuzhen Zhuang, Chuan Qin, Hengshu Zhu, Xing Xie, H
Decentralized Collaborative Learning Framework for Next POI Recommendation
橙子姑娘
04-21 4504
Decentralized Collaborative Learning Framework for Next POI Recommendation 1. What does literature study? 为了促进协作学习，提出将来自地理上或语义上相似的用户的知识整合到每一个本地模型中，以进行聚合和互信息最大化。 2. What’s the innovation? 1. Past shortcomings 资源的高消耗：对服务器来说会消耗过多的存储空间和计算资源。 隐私问题：POI推荐中历史登记
《Obstacle Avoidance through Deep Networks based Intermediate Perception》- 论文阅读
Xuefeng_BUPT的博客
06-20 731
作者在这篇文章中总共做了三件事情： 1. 首先，作者介绍了一种从图像中自动标注轨迹的方法，用其生成了一个大型训练数据集。 2. 接着，作者使用CNN估计深度和平面法向量，生成了一个粗糙的3D模型。 3. 最后，在另一个CNN模型中，利用生成的3D模型估计避障路径。 1. 建立训练集 作者使用包含室内场景以及深度图的NYUv2数据集，如果直接从如此大的数据中获取3D轨迹是一个高难度的高维度...
深度神经网络导论Introduction to Deep Neural Networks
GarfieldEr007的专栏
04-11 3652
Introduction to Deep Neural Networks Contents Neural Network DefinitionNeural Network ElementsKey Concepts of Deep Neural NetworksExample: Feedforward Networks & BackpropMultiple Linear Regressi
Deep Learning Enables You to Hide Screen when Your Boss is Approaching
张彤的专栏
01-07 1399
Introduction When you are working, you have browsed information that is not relevant to your work, haven’t you? I feel awkward when my boss is creeping behind. Of course, I can switch the screen
《Deep Learnning Tutorial》笔记（一）
karry_zzj的博客
08-11 1063
Deep Learnning Tutorial 是李宏毅教授的一个ppt，其实可以当做一篇文章，接下来就记录一下读它的笔记。很有意思。Introduction of Deep LearningMachine Learning ≈≈ Looking for a Function。也就是找到一个函数，就能进行深度学习。比如： 可以把一张小狗狗的照片通过一个函数识别出照片中就是小狗狗。 一个函数就够了
05.敏捷估计与规划——Estimating in ideal Days笔记
艾小小雨的博客
10-19 614

 00.理想时间(ideal time)是某件事在剔除了所有外围活动之后所需要的时间。耗用时间(elapsed time)是始终上显示出流逝掉的时间。   01.理想日进行估计： 　　a.所估计的用户故事是您将处理的唯一工作 　　b.您所需要的所有东西在您开始工作的时候都会准备好 　　c.不会被打断   02.对小组中不同角色的强调，会让小组成员的想法偏离“我们是一...
吴恩达-Improving Deep Neural Networks-第二周编程练习
sinat_22194645的博客
07-01 340
13、Probabilistic Short-term Wind Power Forecasting Based on Deep Neural Networks
qq_34514046的博客
09-05 811
概率短期风电功率预测基于深度神经网络（清华） 除了传统的预测方法ods，概率预测被认为是最佳的预测铸造解决方案因为它提供了丰富的宝贵不确定性 风电信息。 本文以一种新颖的方法为基础关于确定性短路的深度神经网络（DNN）提出了风电场风电预测 基于概率预测关于条件错误分析也已实施。  有利由于精心设计，实现了概率预测的结果 基于聚类分析设定的条件划分。 中国东北的几个风电场。 传统上，风力发...
Keras深度学习记录3——深度学习工作流程
10-27 2039
深度学习工作流程一级目录二级目录三级目录 通过前两个实例 Keras深度学习记录1——从简单的mnist数据集开始 Keras深度学习记录2——电影评论分类（二分类） 可以了解到神经网络如何解决分类问题以及Keras解决深度学习任务的具体工作流程，而且也看到了深度学习的核心难题：过拟合。本文将这些概念——模型评估、数据预处理、特征工程、解决过拟合——整合为七个工作流程。 一级目录 二级目录 三级目录 ...
排队系统Arrive Time (i+1) = Arrive Time(i) + Expo(17)含义是什么？
03-23
这是一个排队系统中的到达时间模型，其中Arrive Time (i 1)表示第i个顾客到达的时间，Arrive Time(i)表示前一个顾客到达的时间，Expo(17)表示到达时间服从指数分布，参数为17。这个模型可以用来预测顾客到达的时间...
评论 1
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