- 博客(404)
- 资源 (6)
- 收藏
- 关注
RSS订阅
原创 如何获取交通大数据
关注微信公众号《当交通遇上机器学习》后台回复“数据”即可获取:数据包括出租车GPS数据样例，地铁AFC刷卡数据样例，公交刷卡数据样例，共享单车订单数据（包括起终点，即租车还车位置的经纬度），同时还提供了高达175G的四个月的滴滴GPS数据和滴滴订单数据的获取方式，以及从数据处理（Oracle数据库）、模型构建（机器学习）、编程实现（python）到可视化（ArcGIS）等一系列视频教程。...
2019-05-11 02:01:41
11167
4
原创 基于大型语言模型的多层级文本对齐时序预测增强方法
论文题目为《Enhancing Time Series Forecasting via Multi-Level Text Alignment with LLMs》，是一篇基于大模型的时序预测领域论文，文中提出了一种面向时间序列预测的新型多层级文本对齐框架（Multi-level Text Alignment for Time Series, MTATS），通过将趋势、季节性和残差组件分解后重新映射到大型语言模型（LLM）的预训练文本空间，实现了时间序列与自然语言模态的有效对齐。所选趋势锚点是稀疏的；
2025-12-01 21:57:49
653
原创 CSDI：用于概率时间序列插补的条件得分扩散模型
在本文中，本文提出了一种新的时间序列插补方法——用于插补的条件得分扩散模型（CSDI），该方法利用基于得分的扩散模型并以已观测数据为条件。与现有的得分扩散方法不同，CSDI 的条件扩散模型是专门为插补任务进行训练的，并且能够利用观测值之间的相关性。由于条件扩散模型能够在不确定性下学习时间和特征依赖关系，基于条件扩散模型的插补与下游任务的联合训练，有望进一步提升下游任务的性能。与现有的基于得分的方法不同，这种条件扩散模型专门为填补任务设计，并能够利用观测值中的有用信息。的缺失索引的交集设为填补目标。
2025-11-30 11:52:10
1000
原创 一种用于空间物理的神经符号模型
文章信息论文题目为《A neural symbolic model for space physics》，于2025年发表在《Nature Machine Intelligence》期刊上。该研究提出了一种面向物理规律自动发现的端到端神经符号模型 PhyE2E，能够在仅依赖实验观测数据的条件下，从复杂的多变量输入中自动生成物理上合理、具备单位一致性且结构简洁的数学表达式。模型首先利用大语言模型生成大量近似真实物理分布的公式作为训练样本，然后通过 Transformer 架构直接从数据预测符号公式，并结合 H
2025-11-25 16:18:28
434
原创 面向数据驱动的在线库存路径优化的场景“预测后优化”方法
需求在每个周期随机发生。MQRNN 会输出 “分位数预测结果”，即针对每个零售商、每个待预测周期以及每个预设的分位数（如 0.1 分位数、0.2 分位数等），给出该分位数对应的需求预测值 —— 这一预测值的含义是，在已知历史需求和时间特征的条件下，未来需求低于该值的概率恰好等于对应的分位数。在该问题里，所有未来需求可能出现的结果范围是无限的，而 ScenPO 会在每个决策周期，为每个零售商筛选出一组缩小范围的未来需求可能结果（即 “场景”），每个场景对应未来若干周期的需求预测，且会明确每个场景发生的概率。
2025-11-23 11:47:27
537
原创 类脑网络中由结构到功能的学习机制
另外，实验还揭示了结构属性（如节点强度、聚类系数、路径长度等）与动力学状态之间存在显著交互作用：在稳定或混沌状态下，记忆性能受结构特征影响明显，而在临界态下，该关系最弱，表明临界态的优势源于结构与动力学的耦合作用，而非任何单一因素。其中，如下图 a 展示了记忆任务（Memory Task）的实验流程，图 b 展示了实验将大脑的 7 个 intrinsic networks 作为分析单位，图 c 展示了实验通过改变权重矩阵的谱半径 α，来测试不同动力学状态的记忆能。欢迎关注微信公众号《当交通遇上机器学习》！
2025-11-15 10:20:00
949
原创 模式地铁客流的动态概率预测——基于泛函数据分析方法
并在此基础上高效地求得条件分布，从而实现实时的概率预测。研究针对多模式地铁客流的动态概率预测难题，提出了以多向概率泛函主成分分析（MWP-FPCA）为核心的统一框架，通过泛函数据分析（FDA）将日内客流动态转化为平滑函数，结合多向 FPCA 提取可解释的核心时间模式，并利用矩阵正态分布构建适配多模式结构（流向 - 站点）的概率模型，最终衍生出 MWP-FPCA-HT（异质性协方差）、MWP-FPCA-HM（同质性协方差）与 MWP-FPCA-AH（自适应异质性协方差）三种变体。方法流程如下图所示。
2025-11-13 21:15:58
1026
原创 DFF 框架 —— 数据有限场景下“预测 - 优化” 方法
本文通过网络流、投资组合优化等合成数据集实验，以及滴滴出行真实打车平台的资源分配问题验证，结果表明 DFF 不仅显著提升了决策质量，还能适配不可微预测模型，在数据有限场景下展现出强劲的适应性与可靠性。下图简要展示了所提出的决策聚焦微调（Decision-Focused Fine-Tuning, DFF）框架，在保留原始预测模型优势的基础上，通过微调优化决策性能，同时保障预测结果的物理意义与稳定性。），用于衡量基于校正后预测的决策与基于真实参数的最优决策之间的差距，是直接关联。
2025-11-06 21:26:07
927
原创 基于物理启发式图神经网络的组合优化问题
我们应用松弛策略的问题哈密尔顿生成一个可微的损失函数，我们用它来训练图神经网络，并在无监督训练过程完成后将一个简单的投影应用到整数变量上。我们发现，图神经网络优化器的性能与现有的求解器相当或优于现有的求解器，有能力超越现有技术，解决数百万个变量的问题。而二次无约束二元优化（训练），本文采用松弛策略将二元决策变量推广为连续的概率参数，进而生成可微的损失函数，该损失函数直接关联问题的优化目标，无需手工设计。二次无约束二元优化问题形式的硬问题，例如最大割，最小顶点覆盖，最大独立集，以及伊辛自旋眼镜和更高的。
2025-10-24 09:30:56
847
原创 《人工智能与交通大数据实战》MOOC第三次开课，欢迎选修！
专注于计算机科学与其他行业的深度交叉融合，旨在通过一些AI和大数据领域的基础知识讲解和案例实战应用，培养学生的学科交叉思维、大数据思维和编程能力、掌握基本的人工智能建模技术等。对于非计算机专业的同学，无论来自交通、土木、规划等领域，在当下这个人工智能与大数据快速发展的时代，如何轻松入门这一新兴领域，理解代码逻辑，掌握数据分析与人工智能的基础知识，成为了许多同学关注的问题。Python，到深度学习框架PyTorch，再到人工智能基础，最后到地铁，共享单车，出租车，私家车，以及空中交通五个。
2025-10-21 09:30:57
409
原创 Nat. Commun.|SafeTraffic Copilot：适配大型语言模型以实现可信的交通安全评估与决策干预
文章信息文章题目为《SafeTraffic Copilot: adapting large language models for trustworthy traffic safety assessments and decision interventions》，2025年发表在Nature子刊《Nature Communications》。本文将交通事故预测转换为文本推理，并实现了事故特征的归因分析。由于碰撞数据本身固有的复杂性，且人们一直对预测的可信度存在担忧，预测预期交通事故并设计有针对性的干预措施
2025-10-16 11:01:01
432
1
原创 NeurIPS 2024 | 用于时间序列预测的检索增强扩散模型
其一，大多数时间序列缺乏直接的语义或标签对应关系，这往往导致时间序列扩散模型在生成过程中缺乏有意义的指导（不同于图像扩散模型中的文本指导或标签指导）。与其他时间序列预测方法相比，本文的方法在四个数据集中的三个上表现优异，在剩余的一个数据集上也具有竞争力。此外，从图中预测结果与参考序列的对比可以看出，虽然参考序列提供了强有力的指导，但并未直接替代完整的生成结果，这进一步验证了本文方法的合理性。从构建的数据库中检索与历史时间序列最相关的样本，并将其作为参考来引导扩散模型的去噪过程，从而获得更加准确的预测结果。
2025-10-11 15:30:34
940
原创 开创性探索|大语言模型赋能交通预测
去掉这些嵌入中的任意一个，都会导致误差增加，表明它们都是准确预测所必需的。特别地，移除时间组件会带来更大的预测误差，这进一步强调了本文精心设计的时间（小时）和周（天）嵌入的重要性。此外，在最后的多头注意之后，还添加了一个额外的层标准化。中的时间信息，本文利用一个线性层将输入数据编码到单独的嵌入层中，包括日模式和周模式的时间嵌入。）也导致了显著的性能下降，这突显了时空嵌入在理解交通数据中时空依赖关系的重要性。那样先进，这限制了它们的整体性能。中提出了一种新的策略，称为部分冻结注意力，以增强交通预测中的模型。
2025-09-18 08:00:00
894
原创 MTLMetro：一种用于地铁客流需求预测的深度多任务学习模型
在实际场景中，为了提升地铁服务质量，往往需要从多个角度获取客流需求信息，例如进站客流、出站客流，以及不同进/出站点之间的换乘客流。这一问题具有挑战性，因为多种需求之间存在复杂关系（例如，进站客流只与历史进站相关，而出站客流不仅与出站相关，还受到进站的影响），并且存在多任务预测训练不平衡的问题。然而，大多数现有研究仅专注于单一类型的客流需求预测，如进站需求、出站需求或转移需求，而忽视了多种客流需求的联合预测。为了支持这些措施，对客流在系统中的准确、短期预测是必不可少的，这有助于地铁系统的高效运营和管理。
2025-09-15 07:27:53
881
原创 AutoTimes：通过大型语言模型实现的自回归时间序列预测器
鉴于时间序列与自然语言具有相似的序列结构，越来越多的研究表明，利用大型语言模型（LLM）进行时间序列建模是可行的。如图 3 所示，现有主流的 LLM【6, 36】具备根据前序 token预测下一个 token 的能力，本文在 AutoTimes 中完全复用 LLM 这一特性，以一致的方式迭代生成任意长度的预测。为此，本文将时间序列 token 定义为单一变量上的连续非重叠片段，这被视为 LLM 预测器的通用 token，既能覆盖序列变化，又避免过长的自回归路径。欢迎关注微信公众号《当交通遇上机器学习》！
2025-08-01 09:49:40
1169
原创 重磅发布 | 《Artificial Intelligence for Transportation》新刊上线！
该框架通过实现车辆与智能基础设施的实时通信，支持系统级的协同感知，融合多种策略（如早期、中期和后期感知融合）以及协调的规划与控制。同时，CDA.AI 实现了与大规模视觉-语言模型（VLM）和“视觉-语言-动作”（VLA）系统的闭环集成，从而增强了系统的推理能力并将更高层次的智能注入 CDA 的感知与决策流程中。在识别当前基于 LLM 的交通研究方案存在的问题基础上，此综述进一步描绘了未来研究的发展路径，强调了 LLM 在构建新一代“网络-物理-社会”融合出行生态系统中的核心地位。
2025-07-30 09:30:38
1540
原创 基于条件扩散模型的图像压缩框架
本文涉及多个数据集和图像质量评估指标的广泛实验表明，本文的方法比基于gan的模型报告的FID分数更高，同时在几个失真指标上也比基于vae的模型具有竞争力。该文章从基于深度学习的图像编码框架，受到扩散模型的启发，设计了一种新的图像编码框架，模型的性能可以调整到感兴趣的感知度量。并且实验表明，在多个数据集和图像质量评估指标中，本文的模型比基于gan的模型报告的FID分数更高，同时在几个失真指标上也比基于vae的模型具有竞争力。下图定性地表明，与基于vae的编解码器相比，得到的解码图像显示的过度平滑伪影更少。
2025-07-18 10:54:06
1014
原创 EUICN：面向水下图像的高效压缩神经网络
然后，本文开发了一个双空间注意模块(DSAM)，将IF和CF的双空间信息进行整合，生成一个特征保留掩模(M)，将M与量化后的CF相乘，在每个细节大小不同的区域自适应保留合理数量的量化特征然后，将保留的CF发送到所提出的混合熵编码(MEC)模块，以估计进行算术编码(AE)的概率。然后利用CF∈R^(M×H/16×W/16)（M=192，H=256，W=256）计算和这400个特征点的距离，选择距离最近的特征点对应的特征Iuniversal∈R^(M×H/16×W/16)，如式所示。
2025-07-13 08:21:36
1068
原创 MUDDFormer：通过多路动态密集连接打破 Transformer 中的残差瓶颈
在本研究中，本文提出了多路动态密集连接，这是一种简单而有效的策略，用于克服残差连接的不足。不同于现有采用静态与共享权重的密集连接方法，MUDD 根据每个序列位置的隐藏状态，以及Transformer模块中解耦后的每个输入流（query、key、value 或 residual），动态生成连接权重。大量实验表明，MUDDFormer在多种模型架构和规模下，在语言建模任务中显著优于标准Transformer，并能在仅使用约1.8×–2.4×计算资源的前提下，达到相当于更大模型的性能。MUDD 连接有望成为。
2025-07-11 16:24:13
891
原创 团队研究成果|基于物理信息引导的突发事件期间的城市轨道交通短时OD需求预测
本论文于2024年发表于中科院院刊《Engineering》上。该论文旨在研究突发事件期间城市轨道交通OD需求预测问题，通过搭建物理信息引导的自适应图时空注意力网络（PAG-STAN），有效克服突发事件下OD需求任务所面临的数据实时可获得性、数据稀疏性、数据高维性以及突发事件下外部因素的影响等问题，从而实现突发事件下城市轨道交通OD需求的精确预测。最后，以南宁市城市轨道交通客流数据为例设计的数值实验验证了模型在突发事件下的OD需求预测性能；以北京市城市轨道交通客流数据为例设计的数值实验验证了模型在常规场景下
2025-07-09 16:23:57
1100
原创 团队研究成果|大型活动期间城轨短时客流预测
在大型活动期间，目标站点的出站客流将显著增加，这种增加是由其余站点的突发进站客流引起的。个预测时间范围内均能够精准预测大型活动期间目标站点客流的上升趋势，有助于确定突发客流的发生时间，应对大型活动期间客流的突然增加，且预测效果在可接受范围内。每一场大型活动提取的客流数据为活动举办当天所有时间段的客流数据，并将不同大型活动的客流数据进行拼接，形成完整的大型活动客流数据。）本研究将其余站点的进站客流视为目标站点出站客流激增的原因，且能够确定突发客流的发生时间，为大型活动期间的客流预测提供了新思路。
2025-06-30 10:35:26
1146
原创 “预测-优化”框架中的泛化界限
尽管在解决问题时无法知晓确切的成本，但可以通过机器学习模型预测边成本，该模型基于包含特征（一天中的时间、天气等）和边成本（从应用程序数据中收集）的训练数据进行训练。从根本上说，一个好的预测模型能够诱导优化问题找到好的最短路径，这是通过真实的边成本来衡量的。本文假设在求解优化问题时，目标成本向量是未知的，而是通过一个将特征映射到成本向量的预测模型来预测的。在这种环境中，一个自然的损失函数是考虑由预测参数所诱导的决策的成本，而不是参数的预测误差。损失函数的背景下提供泛化界限，该函数是利普希茨连续的。
2025-06-23 08:36:17
1027
原创 连接预测和决策：数据驱动优化的进展和挑战
文章信息论文题目为《Bridging prediction and decision: Advancesand challenges in data-driven optimization》，该文于2025年发表于《Nexus》期刊上。摘要数据驱动方法通过将预测与决策相结合，彻底改变了传统的优化方法。文章探讨了三种关键方法 —— 顺序优化、端到端学习和直接学习 —— 的理论基础、优势、最新进展和局限性，重点介绍了它们在电网调度、运营管理和智能自主控制中的实际应用。并且进行了多维度比较，随后讨论了数据中心方法
2025-06-18 18:34:51
771
原创 一种高效船舶检测的“半智能预测后优化”方法
1 文章信息文章题为“A semi-“smart predict then optimize”(semi-SPO) method for efficient ship inspection”，该文于2020年发表至“Transportation Research Part B”。文章的核心观点是提出了一种半“智能预测后优化”（semi-SPO）方法，旨在提高港口船舶检查的效率。这种方法特别关注如何利用有限的检查资源来识别船舶的不符合规定项。2 摘要。
2025-06-13 17:05:41
429
原创 QVRF:可变码率编码框架
大量实验表明：在现有的基于固定比特率的变分自编码器（VAE）方法中引入 QVRF 后，能够在一个模型中实现连续范围的可变比特率，且不会带来明显的性能损失。本文通过大量实验验证了提出框架的有效性，并证明在现有的基于固定比特率的变分自编码器（VAE）方法中引入 QVRF 后，能够在一个模型中实现连续范围的可变比特率，且不会带来明显的性能损失。（1）本文提出了一种量化误差感知的可变比特率框架（QVRF），通过引入一个一元量化调节器α，在单一模型中实现了大范围的可变比特率。的高斯熵估计基本保持不变。
2025-06-04 22:15:43
866
原创 STP-TrellisNets+:基于时空并行网格的轨道交通多步客流预测
为了解决上述多步客流预测问题，本文提出了一种新的深度学习框架spatial - temporal Parallel TrellisNets+ (STP-TrellisNets+)，如图3所示，它由一个时间模块基于紧密周期性TrellisNets的编码器-解码器(CPTrellisNetsED)，一个空间模块基于图卷积TrellisNets的编码器-解码器(GC-TrellisNetsED)和一个聚合模块Output组成。即一个车站的客流与历史客流上的相关，又与其他台站的客流有空间上的相关。
2025-06-01 08:40:16
1009
原创 基于核概率矩阵分解的矩阵补全
文章信息本论文是一篇2012年发表在《Proceedings of the 2012 SIAM International Conference on Data Mining》上关于概率矩阵分解的文章，题目为《Kernelized Probabilistic Matrix Factorization Exploiting Graphs and Side Information》。摘要。
2025-05-26 07:50:49
371
原创 团队成果|城市轨道交通短时交通客流OD预测
然后，更多的注意力资源被投入到这一领域，以获得关于目标的更详细的信息。为了解决数据的维数和稀疏性问题，本文还首次提出了掩码损失函数，这有助于更好地处理高维数据和时空稀疏性。这意味着我们处理的数据非常复杂，需要一种高效的方法来处理这种高维数据。这意味着我们需要开发一种方法，可以在数据不完整的情况下进行准确的预测。值会对模型的性能产生负面影响，因为它们的缺乏规律性会增加预测的难度。然而，可以观察到，即使在显著变化的情况下，也可以捕捉到趋势。从图中的预测结果可以看出，对于深度学习模型来说，并不是越复杂越好。
2025-05-18 23:25:56
1213
原创 一种用于处理非凸问题的预测+优化的分而治之算法
在本项工作中，本文提出了一种基于转换点的新型分而治之算法，用于推理精确优化问题，并利用优化损失来预测系数。需要注意的是，DNL和DP之间表现出相同的性能是意料之中的，因为它们都使用了相同的转换点。然而，最先进的组合求解器通常比动态规划的解更快，而在许多无法扩展动态规划解的情况下，专用求解器的扩展性更好。此外，对于任何新的问题和约束集，都需要重新制定动态规划的解，这会减慢该框架应用于新问题的速度。本文证明，本文的分而治之的方法在背包基准测试中取得了与动态规划模型相同的结果，并且在更大规模问题上扩展性更好。
2025-05-13 17:51:21
974
原创 团队研究成果|多模式交通系统短时客流预测：一种基于Transformer和残差网络的多任务学习方法
|文章信息本论文于2023年发表于期刊《Information Sciences》。该论文旨在研究一定区域范围内多模式交通系统短时客流预测问题，文章提出一种基于多任务学习的预测模型实现区域级多模式交通短时客流预测，分别预测不同交通模式的未来进站客流。所提出的模型在北京真实数据集上进行测试，通过选择西直门和望京两个区域的数据集进行验证。进行了多项实验分析协同预测不同交通方式的优势以及不同交通方式客流数据之间的时空交互关系。关键词：多模式交通系统、短时客流预测、多任务学习、Transformer、深度学习 |摘
2025-05-06 17:10:40
1258
1
原创 团队研究成果|基于Semi-Conv-Transformer模型的新线客流预测
为解决这些挑战，作者提出了一种将进站客流特征分解为趋势特征与规模特征的方法，并基于半监督学习与深度学习神经网络构建了Semi-Conv-Transformer模型用于新线客流预测。其中，Transformer层用于提取POI的全局特征，CNN层负责捕捉POI的局部特征，而全连接层则学习特征提取后的POI数据与客流数据间的复杂关联。提出新研究框架：针对新线客流预测的特点，将客流分解为规模特征（日客流量）和趋势特征（时段分布），通过深度学习模型分别预测这两个分量，最终合成进站流预测结果。
2025-05-05 21:23:58
912
原创 团队研究成果|基于时空网络的短时客流OD预测模型
但是，由于计算资源的限制，将其所有的历史OD数据都用上是不可能的，也是没有必要的，通常在短时OD预测中，未来OD数据主要存在两种主要的时间依赖性：趋势性（待预测OD受过去几个时间间隔内历史OD的影响）以及周期性（待预测OD在几天或者几周前同一时刻的OD数据的影响）。（1）本文加入了OD对之间的趋势关系图用于描述OD对之间的空间关系，在此基础上基于K-means聚类对OD对进行了分类研究，结果表明：不同的OD对之间确实存在该空间关系，加入该空间关系的深度学习框架可以提高模型预测的准确度。
2025-05-04 19:55:38
936
原创 团队研究成果|基于时空多任务学习的节假日期间城市轨道交通短时进出站客流预测
STMTL框架如图所示。异质性则体现在进出站客流在时空分布上的差异性，例如在早高峰期间，通勤站C的进站客流远高于出站客流，而在晚高峰期间则相反。与Transformer中自注意力机制不同，交叉注意力中Q和K分别来源于不同的输入（即进出站客流），关注的是空间维度下不同车站之间的交互，而非时间维度上的依赖关系。，在此基础上，CAB以进站客流为例，通过线性变换生成查询（Q）、键（K）、值（V）向量，并利用缩放点积注意力机制计算进出站客流在不同车站之间的交互注意力，获取来自出站客流对进站预测有价值的共享特征表示。
2025-05-03 07:31:52
1264
原创 团队研究成果|基于计算机视觉的轨道交通站内火灾检测与定位
点击蓝字 / 关注我们导 读 本论文于2024年发表于《交通运输系统工程与信息》上。该论文旨在及时有效地处理轨道交通站内火灾事件，提出基于计算机视觉的站内火灾检测与精细化火灾定位模型（Fire-Detect）。该模型可在常态情况下以较低的资源消耗实时监测站内情况，出现火灾或烟雾时才触发定位于报警系统。通过数据处理以模拟火灾或烟雾场景进行了实验研究，结果表明该模型的高效性和精确性。关键词 —作 者 / 张金雷，杨健，刘晓冰，陈瑶，杨立兴，高自友标 题 / 基于计算机视觉的轨道交通站内火灾检测与定位.文献来源
2025-04-29 16:41:46
982
原创 基于时空多任务学习的节假日期间城市轨道交通短时进出站客流预测
STMTL框架如图所示。异质性则体现在进出站客流在时空分布上的差异性，例如在早高峰期间，通勤站C的进站客流远高于出站客流，而在晚高峰期间则相反。与Transformer中自注意力机制不同，交叉注意力中Q和K分别来源于不同的输入（即进出站客流），关注的是空间维度下不同车站之间的交互，而非时间维度上的依赖关系。，在此基础上，CAB以进站客流为例，通过线性变换生成查询（Q）、键（K）、值（V）向量，并利用缩放点积注意力机制计算进出站客流在不同车站之间的交互注意力，获取来自出站客流对进站预测有价值的共享特征表示。
2025-04-28 21:04:18
988
原创 “交通·未来”第32期：深度学习与交通模型相结合：一种基于计算图的学习框架
该学习模型通过引入巢式Logit（Nested Logit, NL）模型，进一步校准与铁路线路规划关键属性（如班次频率、票价水平、旅行时间）相关的可解释参数，从而实现对政策变化的敏感分析。与传统离散选择模型不同，本文所提出的估计框架引入了基于线路的容量约束，以避免特定线路出现乘客过载问题，并协调不同观察变量之间的偏差。为验证方法的可行性，本文在京沪高铁走廊上进行了实证研究。，上次的活动还是在2023年6月份，时隔近两年，2025年，新起航新征程，我们继续前行（希望这次启程能腾出更多的时间来做这件事情~）。
2025-04-27 21:22:12
1051
原创 团队研究成果|基于物理信息深度学习的交通状态估计
通过在不同稀疏数据情境下进行大量的实验研究，利用美国101高速公路的NGSIM数据，深入探讨了PIDL方法在不同交通流场景中的应用，结果验证了该模型的高效性和精确度。本文的研究不仅探讨了数据稀疏性对交通状态估计的影响，还通过应用PIDL方法取得了显著的成果，具有重要的实际意义，特别是在实际交通流控制和管理中的应用。通过该方法的研究和应用，我们可以更好地理解数据驱动方法和模型驱动方法的优势与劣势，以及它们在交通状态估计中的作用。检测器数量代表可用数据的规模，检测器数量越多，越有利于估计整个路段的交通状态。
2025-04-26 18:42:34
1501
原创 TimeXer: 利用外生变量增强Transformer在时间序列预测中的应用
基于注意力机制的工作维度，现有的基于变压器的方法大致可以分为面向块的模型和面向变量的模型。而面向变量的模型，如iTransformer，成功地推理变量之间的关系，通过考虑每个时间序列作为单个时间步长并应用不同的变量令牌来推理这些变量之间的关系。本文包括了九个最先进的深度预测模型，包括基于变压器的模型：iTransforme，PatchTST，Crossformer，Autoformer，基于 CNN 的模型：TimesNet，SCINet，以及线性基础模型：RLinear，DLinear，TiDE。
2025-04-23 13:11:56
1245
原创 通过神经算子的主动学习发现和预测极端事件
该模型具有“模型不可知性”（model-agnostic）特性，能够在不依赖具体物理模型的前提下，通过主动选择用于量化极端事件的数据，实现对无限维非线性算子的高效近似。为此，本文采用的DNO模型（如DeepONet），适用于处理无限维系统，并作为罕见事件建模的理想代理模型。本文提出的核心框架为：将深度神经算子（Deep Neural Operator, DNO）作为替代模型，并结合贝叶斯实验设计策略，以主动学习的方式在高维输入空间中识别极端事件，模型框架如图1。，尚缺乏严格的理论收敛性分析。
2025-04-18 15:23:18
947
北京地铁线路shapefile 文件（16号线北段）.zip
2019-05-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人