精华内容
下载资源
问答
  • Transportation

    2019-10-24 20:32:15
    Transportation
  • transportation

    2021-09-02 18:01:54
    transportation
  • For the last two decades, intelligent transportation systems (ITS) have emerged as an efficient way of improving the performance of transportation systems, enhancing travel security, and providing ...
  • 外文文献Resilience and efficiency in transportation networks,翻译在下一篇。
  • transportation.csv

    2020-05-24 16:39:35
    面对日益严峻的疫情防控形势,交通运输作为疫情防控的第一道防线自然不能懈怠。通过对四川市各个区县来自湖北、武汉、重庆的入境出境的公路检查点、人数、车辆的对比分析来对四川市进行有效的控制病情的传播。...
  • Transportation Chapter VIII: Towards Simulating Cognitive Agents in Public Transport Systems Chapter IX:An Unmanaged Intersection Protocol and ImprovedIntersection Safety for Autonomous Vehicles ...
  • ew blockchain-based business models are enabled. The system could create an extremely fast and secure network for electric car charging station availability and payment. Further into the future, it ...
  • Intelligent Transportation Systems (ITSs) are envisioned to play a critical role in improving traffic flow and reducing congestion, which is a pervasive issue impact ing urban areas around the globe. ...
  • This book aims at giving a broad introduction into the basic but relevant concepts related to transportation systems, targeting researchers and practitioners from computer science and information ...
  • ?Time of Shipment 装运时间 Shipment and Delivery 装期与交货期 The Legal Definition of Shipment 装期的法律定义 Qualit
  • 经营性道路机制下的可持续性交通网络设计问题,谭志加,,本文提出了采用可用私有资金的私有化策略来发展现有交通网络(NDP)。该策略通过对选择的免费道路子集进行定价及相应的容量扩张,
  • Transportation_with_Machine_Learning 交通·未来系列线上公益学术活动PPT 直播回放网址: 主办方公众号:当交通遇上机器学习
  • Globalization has played a crucial role in the expansion of supply chains across countries and continents into ever-changing worldwide networks. Manufacturers, driven by the desire to produce cost-...
  • Taxi Industry) · Traffic and Transport Dynamics · Road Pricing and Tradable Travel Credit Schemes · Public Transportation, Transportation Economics · Transportation Network Modeling and ...


    TR系列简介

    TR系列都属于爱思唯尔旗下ELSEVIER。
    详细介绍
    Transportation Research Part A: Policy and Practice
    https://www.journals.elsevier.com/transportation-research-part-a-policy-and-practice
    Transportation Research Part B: Methodological
    https://www.journals.elsevier.com/transportation-research-part-b-methodological
    Transportation Research Part C: Emerging Technologies
    https://www.sciencedirect.com/journal/transportation-research-part-c-emerging-technologies
    Transportation Research Part D: Transport and Environment
    https://www.sciencedirect.com/journal/transportation-research-part-d-transport-and-environment
    Transportation Research Part E: Logistics and Transportation Review
    https://www.sciencedirect.com/journal/transportation-research-part-e-logistics-and-transportation-review
    Transportation Research Part F: Traffic Psychology and Behaviour
    https://www.sciencedirect.com/journal/transportation-research-part-f-traffic-psychology-and-behaviour


    TR系列主编介绍

    这里我们汇总了TR系列的各位主编和一些管理科学或交通物流领域的副主编等(其中不乏我们国内知名大学的教授,如浙江大学,北京航空航天大学等),包括他们的研究方向以及个人主页。



    TRA

    Co-Editors-in-Chief:

    J. de D. Ortúzar,PhD
    智利天主教大学,圣地亚哥,智利
    Pontifical Catholic University of Chile, Santiago de Chile, Chile
    Juan de Dios Ortúzar维基百科
    J. de D. Ortúzar(1949.1.24),智利天主教大学(PUC)名誉教授

    研究方向:
    discrete choice models
    valuation of externalities
    design and collection of mobility and preference surveys
    transportation forecasting.

    最近的论文:
    Gutierrez, M., Hurtubia, R. and Ortúzar, J. de D. (2020) The role of habit and the built environment in the willingness to commute by bicycle. Travel Behaviour and Society 20. 62-73.
    Allen, J., Muñoz, J.C. and Ortúzar, J. de D. (2019) On evasion behavior in public transport: dissatisfaction or contagion? Transportation Research Part A: Policy and Practice 130. 626-651.
    Schmidt, A., Ortúzar, J. de D. and Paredes, R.D. (2019) Heterogeneity and college choice: latent class modelling for improved policy making. Journal of Choice Modelling 33


    E. Cherchi, PhD
    纽卡斯尔大学 土木工程与地球科学学院,英国(北京交通大学经济管理学院兼职教授)
    Newcastle University School of Civil Engineering and Geosciences, Newcastle Upon Tyne, United Kingdom
    Newcastle University主页
    研究方向:
    discrete choice analysis,
    decision making process,
    bounded rationality,
    user benefits,
    data collection (revealed and stated preference data, panel data, virtual reality experiments),
    mode choice,
    electric vehicles,
    autonomous vehicles.

    最近论文:
    Bas, J., Cirillo, C. and Cherchi, E. (2020) A State Choice experiment for considering Social Conformity in the adoption of Electric Vehicles. 12th International Conference on Transport Survey Methods. Travel Survey and Big Data: how to make the best of both worlds, Portugal. (Accepted).
    Yin, H. and Cherchi, E. (2020) Conducting Stated Choice Experiments within a Virtual Reality environment: an application to the choice of automated taxi 12th International Conference on Transport Survey Methods. Travel Survey and Big Data: how to make the best of both worlds, Portugal. (Accepted).
    Guerrero, T.E., Guevara, C.A., Ortúzar, J. de D., Cherchi, E. (2020) Addressing Endogeneity in Strategic Mode Choice Models. 99th Seminar on Transportation Research Board. Washington DC, USA. (Accepted)



    Associate Editors

    J.A. Carrasco
    多伦多大学,加拿大
    University of Toronto, Toronto, Ontario, Canada

    研究方向:
    Social networks and activity-travel behaviour
    Information and communication technologies (ICTs) and travel behaviour
    Social exclusion and accessibility issues
    Activity-based models and microsimulation approaches
    Integrated land use models
    Use and estimation of discrete choice and statistical models applied to travel demand analysis
    Relationship between urban form and travel decisions


    D. Ettema
    乌得勒支大学,荷兰
    Utrecht University, Utrecht, Netherlands

    研究方向
    Improving theoretical models of accessibility, travel and equity
    Implications of accessibility for (inequalities in) travel, health and well-being
    The relationship between households’ locational decisions, travel behavior and accessibility
    The impact of new transport services (Mobility as a Service, Car and Bicycle sharing systems) on travel, accessibility and equity
    How does a transition to sustainable transportation impact on transportation and land use planning, travel behaviour and equity

    个人主页
    https://www.uu.nl/staff/DFEttema/Profile

    J. Holguin-Veras
    伦斯勒理工学院,美国
    Rensselaer Polytechnic Institute, Troy, New York, United States
    研究方向
    Decision Support Systems
    Operations Research
    Transportation

    个人主页
    https://faculty.rpi.edu/node/34743



    TRB


    Editor-in-Chief

    C.R. Bhat, PhD
    德克萨斯大学奥斯汀分校,美国
    The University of Texas at Austin Department of Civil Architectural and Environmental Engineering, 301 E. Dean Keeton St., Stop C1700, Austin, Texas, 78712-1085, United States

    研究方向
    Travel Behavior Modeling/Travel Demand Modeling
    Trip-based models
    Activity-based models
    Micro-simulation frameworks
    Travel demand management strategies
    Congestion pricing
    Mobile source emissions modeling
    Commuter and work-related travel
    Weekend travel
    Integrating activity-based frameworks and dynamic traffic assignment modules
    Evacuation planning using AB and DTA modules
    Socio-Demographics and Land-Use Modeling
    Population updating microsimulation systems
    Self-selection in residential location choice
    Long-term residential mobility
    Explicit incorporation of built environment
    Sustainable Urban Design and Physical Activity
    Studying influence of urban form on bicycle use
    Understanding bicycle route choice behavior
    Examining physical activity participation determinants
    Non-traditional work participation behavior
    Activity Participation and Time-Use
    Studying activity participation
    Time-use and activity-travel pattern attributes
    Traffic Safety
    Traffic crash analysis of driver and occupant injury severity
    Examination of pedestrian and bicyclist injury severity
    Social Networks and ICT
    Examining how social networks influence travel
    Studying the influence of ICT on travel behavior
    Children’s Travel Behavior
    Examining children’s travel and activity patterns
    Examining children out-of-school activity-location engagement patterns
    Connected and Automated Vehicles
    Other

    个人主页
    https://www.caee.utexas.edu/prof/bhat/home.html



    Distinguished Journal Editorial Board

    Richard Arnott
    加州大学河滨分校,美国
    University of California Riverside, Riverside, United States
    个人主页
    https://profiles.ucr.edu/app/home/browse/group/73512


    Malachy Carey
    利兹大学,英国
    University of Leeds, Leeds, United Kingdom


    Carlos Daganzo
    加州大学伯克利分校,美国
    University of California Berkeley, Berkeley, United States
    研究方向
    econometrics, logistics, freight operations, network theory, traffic flow, and transit operations
    个人主页
    https://ce.berkeley.edu/people/faculty/daganzo


    Terry Friesz
    宾夕法尼亚州立大学,美国
    Pennsylvania State University, University Park, United States
    研究方向
    Transportation: congestion pricing; freight transportation; DTA; network design.
    Spatial economics: spatial price equilibrium; competitive facility location
    Network science: network emergence; social network theory; price of anarchy
    Revenue management: service pricing; revenue optimization; demand learning

    个人主页
    http://www.personal.psu.edu/users/t/l/tlf13/


    Fred L. Mannering
    南佛罗里达大学,美国
    University of South Florida, Tampa, Florida, USA
    研究方向
    the application of statistical and econometric methods to analyze data relating to highway safety, transportation economics, travel behavior and a variety of engineering-related problems.


    Hai Yang
    香港科技大学,香港
    Hong Kong University of Science and Technology Department of Civil and Environmental Engineering, Hong Kong, Hong Kong
    研究方向

    · Smart Mobility (Ride-sharing, Ride-sourcing, Taxi Industry)
    · Traffic and Transport Dynamics
    · Road Pricing and Tradable Travel Credit Schemes
    · Public Transportation, Transportation Economics
    · Transportation Network Modeling and Optimization

    http://cehyang.people.ust.hk/



    TRC


    Editor-in-Chief

    Nikolas Geroliminis
    洛桑联邦理工学院,瑞士
    Ecole Polytechnique Federal de Lausanne (EPFL), Switzerland
    研究方向
    His research interests focus primarily on urban transportation systems, traffic flow theory and control, public transportation and on-demand transport, car sharing, Optimization, MFDs and Large Scale Networks. He is a recipient of the ERC Starting Grant METAFERW: Modeling and controlling traffic congestion and propagation in large-scale urban multimodal networks.
    https://open-traffic.epfl.ch



    some of Associate Editors

    Yibing Wang
    浙江大学,中国
    Zhejiang University, Hangzhou, China
    研究方向
    road traffic flow modeling, surveillance, control and optimization, and in particular, freeway traffic state estimation, freeway ramp metering and variable speed limit control, urban traffic signal control, route guidance in road networks, connected and automated vehicles (CAV)
    http://iits.zju.edu.cn/international/2018/0822/c21523a847062/page.htm


    Soyoung Ahn
    威斯康星大学麦迪逊分校,美国
    University of Wisconsin Madison, Madison, Wisconsin, United States
    研究方向
    traffic flow theory and operations, Intelligent Transportation Systems applications, and traffic operational impacts on environment and safety
    https://directory.engr.wisc.edu/cee/Faculty/Ahn_Soyoung/



    TRD


    Co-Editors-in-Chief

    R.B. Noland
    新泽西州立大学,美国
    Rutgers The State University of New Jersey, New Brunswick, New Jersey, United States
    研究方向
    Impacts of transport planning and policy on environmental outcomes
    Micro-simulation of pedestrian-vehicle interactions
    Non-motorized transportation
    Safety analysis

    https://bloustein.rutgers.edu/noland/


    J.X. Cao
    明尼苏达大学,美国
    University of Minnesota, Minneapolis, Minnesota, United States
    研究方向
    Sustainable development; transportation planning; urban and regional planning
    https://www.hhh.umn.edu/directory/jason-cao



    Associate Editors

    K. Zhang
    清华大学,中国
    Tsinghua University, Beijing, China
    研究方向:
    主要研究方向包括智能交通系统与智慧城市,统计信号处理,高精度定位,图像处理,无线光通信等。曾在日本三菱重工的智能交通中心工作近10年,从事智能交通领域的光电子应用研究。
    https://www.sigs.tsinghua.edu.cn/zk/main.htm

    Y. Ge
    上海海事大学,中国
    Shanghai Maritime University, Shanghai, China
    研究方向
    交通运输网络分析及应用、交通与环境以及港航运输与物流
    http://ctc.shmtu.edu.cn/node/1709


    W.Y. Szeto
    香港大学
    University of Hong Kong, Hong Kong, Hong Kong, China
    研究方向
    Bicycle research
    Demand modeling and management
    Dynamic traffic assignment
    Environmentally sustainable network design
    Public transport and taxi
    Transport network reliability and resilience

    http://www.civil.hku.hk/pp-szetowy.html



    TRE


    Co-Editors-in-Chief

    T.M. Choi
    香港理工大学
    The Hong Kong Polytechnic University Institute of Textiles and Clothing, 11 Yuk Choi Road, Kowloon, Hong Kong
    研究方向
    Fashion supply chain management: Fast fashion, contract theory, risk analysis, sustainable operations, behavioral operations.
    Fashion retailing and service operations: Pricing, social influences, luxury fashion, branding.
    Business analytics and information systems management.

    https://www.polyu.edu.hk/itc/en/people/academic-staff/?itcsid=10


    Qiang Meng
    新加坡国立大学,新加坡
    National University of Singapore Department of Civil and Environmental Engineering, 1 Engineering Drive 2, E1A 07-03, 117576, Singapore, Singapore
    Transportation Network Modeling and Optimization
    Traffic assignment models and algorithms
    Transportation network design
    Origin-destination matrix estimation
    Congestion pricing
    Work Zone Analysis
    Transit network analysis

    Shipping and Intermodal Freight Transportation Analysis
    Liner ship fleet deployment
    Liner shipping network design
    Ship speed optimization
    Liner route optimization
    Port hinterland estimation
    Intermodal freight network design
    Optimal facility location
    Vehicle routing problems

    Quantitative Risk Assessment (QRA) of Transport Operations
    QRA model building and software development for urban road tunnels
    QRA model for ship traffic in the Straits of Singapore and Malacca
    Formal safety assessment model for ship traffic in port waters
    Probabilistic QRA Model for work zones

    https://www.eng.nus.edu.sg/cee/staff/meng-qiang/



    some of Associate Editors

    M. Hansen
    加州大学伯克利分校,美国
    University of California Berkeley, Berkeley, California, United States
    研究方向
    urban transportation planning, air transport systems modeling, air traffic flow management, aviation systems performance analysis, aviation safety, aviation environmental analysis, and air transport economics
    https://ce.berkeley.edu/people/faculty/hansen


    P. T-W. Lee
    浙江大学,中国
    Zhejiang University, Hangzhou, China


    H.-J. Huang
    北京航空航天大学,中国
    BeiHang University School of Economics and Management, Beijing, China
    http://shi.buaa.edu.cn/huanghaijun/en/index.htm


    TRF


    Editor

    S. Charlton
    汉密尔顿怀卡托大学,新西兰
    University of Waikato, Hamilton, New Zealand
    研究方向
    applied cognitive psychology and human factors. Current projects are in the area of driver behaviour including driver attention, perception, & performance.
    https://www.waikato.ac.nz/fass/about/staff/samiam


    Associate Editors

    P. Delhomme
    法国交通发展和网络科学技术研究所,法国
    French Institute of Science and Technology for Transport Development and Networks - Laboratory on Vehicle-Infrastructure-Driver Interactions, Versailles, France


    J. Krems
    开姆尼茨心理学研究所,德国
    TU Chemnitz Institute of Psychology, Chemnitz, Germany


    C.G. Prato
    昆士兰大学,澳大利亚
    University of Queensland, Brisbane, Australia
    研究方向
    Travel behaviour
    Traffic psychology
    Road safety analysis
    Traffic assignment models
    Behavioural econometrics
    Freight modelling
    https://researchers.uq.edu.au/researcher/14111

    展开全文
  • -Challenges and opportunities in transportation AI --Overview of urban transportation --The emerging challenges in transportation AI -AI applications in transportation -Data and tools for ...
  • Resilience and efficiency in transportation networks外文文献翻译,和别人合作翻译的,有专业名词不准确,原文在上一篇。
  • 交通运输领域的电磁兼容设计技术及案例分析,供专业人员参考学习
  • 本文主要论述了影响重大件货物公路运输路线选择的主要限制因素,针对各限制因素建立了时间和费用双目标线性模型,通过建立多属性效用函数,以多属性效用函数值最大为原则,转变模型为单目标模型。...
  • Transportation-Order-Management-System-Spring-boot:使用Java Spring Boot框架开发的运输订单管理系统
  • sheffi经典教材英文版,学交通的必读
  • Transportation Note App是一款旨在帮助驾驶员(尤其是送货驾驶员)为即将到来的行程制定计划的应用程序。 它可以根据给定的目的地优化路径,并为每个点启用笔记。 (该应用仍在开发中,因此许多功能可能不可用) ...
  • dataModel.Transportation 这些数据模型描述了处理交通问题的智能应用程序所涉及的主要实体。这组实体主要与汽车和智能城市垂直细分市场以及相关的物联网应用相关。在可行时,包括对现有schema.org实体类型和属性的...
  • 【论文阅读笔记】Coupled Layer-wise Graph Convolution for Transportation Demand Prediction1. 论文地址2. Abstract3. Introduction3.1 Related Work3.2 Contributions4. Proposed Architecture4.1 On Graph ...

    1. 论文地址

    论文:https://arxiv.org/pdf/2012.08080.pdf
    代码:https://github.com/Essaim/CGCDemandPrediction

    2. Abstract

    GCN在站级或区域运输需求方面捕捉非欧空间依赖表现出色,但是GCN采用启发式生成的邻接矩阵实现,既不能准确反映车站的真实空间关系,也不能自适应地捕捉需求的多层次空间依赖性,针对上述问题,本文提出了一种基于GCN的交通需求预测方法:

    1. 提出新的GCN结构,每层都有不同的邻接矩阵,所有的邻接矩阵在训练中都是自学习的。
    2. 提供一种分层耦合机制,将上层邻接矩阵与下层邻接矩阵相关联,它也减少了模型中参数的规模。
    3. 通过含有隐藏空间单元和GRU的统一网络去做最终的预测,这个网络可以同时捕捉多层级的空间依赖性和时间的动态性。
    4. 实验在两个真实的数据集——NYC CitiBike and NYC Taxi,结果证明优于SOTA的模型。

    3. Introduction

    智能交通系统(ITS)的火热得益于:

    1. 城市交通的快速发展。
    2. 大数据技术在交通信息系统中的广泛应用。

    交通需求预测的发展阶段:

    1. 早起研究采用实证统计分析,关注于特定区域而不是整个城市,不能同时捕捉时空依赖使得预测的准确率较低。
    2. 随着深度学习的发展,它给出一个新的时空建模方案:把整个城市作为一个图像,用CNN提取空间依赖性,用RNN提取时间依赖性。但聚合邻域的CNN缺少长距离的转换模式,而且只适用于欧式空间关系。
    3. CNN的一种泛化形式——GNN,可以很好处理非欧数据,由于路网的拓扑结构,使得它应用广泛。

    虽然GCN在解决交通预测问题很有效,但是有以下四个问题没有详细讨论:

    1. 邻接矩阵大都是固定的,无法捕捉真实的空间依赖性。
    2. 现有的方法忽略了交通预测的层次依赖性。例如,突然的暴雨导致全城共享单车使用量减少,而交通事故导致的拥堵只能造成局部影响。
    3. 大部分从图信号处理角度出发,图卷积方法平滑了输入的节点信息,这使得很难去靠堆叠单一的邻接矩阵去获取交通需求的多级表示。
    4. 不同层的表示对最终交通预测的贡献不应该是静态的,而是随着时间是动态的。

    下图是作者提出的CGC与其它相似模型的比较:
    在这里插入图片描述
    本文有以下贡献:

    1. 提出了一种新的图卷积结构来自适应地提取多层次空间依赖性。该结构在不同层次上有不同的邻接矩阵,训练过程中所有邻接矩阵都是自学习的。
    2. 提出了一种分层耦合机制,利用拓扑结构在不同层次之间隐藏的相关性将上层邻接矩阵与下层邻接矩阵连接起来。它还减少了训练过程中的计算成本。
    3. 提出了一种统一的预测框架,将空间隐态与GRU结合在一个seq2seq的体系结构中进行最终预测,其中空间隐态是通过对多级需求依赖的聚合得到的。

    4. Related Work

    在本节中,我们从交通需求预测和图卷积的角度回顾了与我们工作相关的文献。

    Transportation Demand Prediction:早期主要注重数据挖掘方法与实证统计分析相结合,这些方法不能同时捕捉时空的依赖性。深度学习方法为处理非线性关系提供了新的视角,比如说残差网络、CNN与LSTM的结合、协同预测等。然而,基于CNN的模型只能捕捉局部的感受野,所有GCN应运而生。有在encoder-decoder体系结构中带有GRU的统一扩散卷积层的模型、用两种邻接矩阵探讨结点与边的关系的方法、有利用3D图卷积网络的方法、有采用随机初始化的自适应邻接矩阵来精确地捕捉隐藏的空间依赖性的方法。然而,将基于网格的数据与基于图卷积的方法相结合,很难得到满意的结果。

    Graph Convolutional Network:从CNN发展到非欧式数据的GCN,有用切比雪夫多项式降低计算代价的方法、用第一阶切比雪夫多项式近似的方法等。GCN一般有两大类:基于空间(spatial)的和基于频谱(spectral)的,基于空间的方法通过设计不同的策略来聚合邻居节点的特征来更新信息,有用attention机制去学习两个节点之间的权重。基于频谱的方法将图卷积运算视为去除图信号中的噪声,而这一过程的关键是滤波器的结构和大小。有通过在邻接矩阵中加入单位矩阵来减弱邻居的影响的方法、学习带有广义Mahalanobis距离的自适应残差拉普拉斯矩阵的方法等。但是,它们都是利用初始邻接矩阵及其变量,不能有效、准确地捕捉多层次依赖关系。

    5. Preliminaries

    在本节中,我们将介绍几个定义和问题的形式。

    Station-level Demand Prediction
    1. Transportation Station
    交通方式可分为两类,站式和无站式,对于基于车站的交通,如公交、地铁,将每个车站表示为一个节点,直观地形式化为图结构。对于无车站的交通,如出租车和共享单车,虽然乘客到达和离开的位置是离散的,但他们往往聚集在特定的地方。发现潜在的车站有助于捕捉交通需求特征,并作出更准确的预测。作者采用基于密度峰值聚类(DPC)的方法发现虚拟站点。

    2. Adjacency Matrix
    给定图结构 G = ( V , E ) G = (V, E) G=(V,E) V V V是以站点为节点, E E E是节点之间的边。在不同的时间步 t t t,对应于不用的特征矩阵 X t ∈ R N × d X_t\in\reals^{N \times d} XtRN×d,利用一定数量连续的时间步的特征矩阵在 F 1 F_1 F1函数下学习出一个邻接矩阵A。

    3. Transportation Demand Prediction
    在时间步 t t t,给定图 G G G P P P步历史图像信号,我们打算获得一个映射函数 F 2 F_2 F2来预测下一个 Q Q Q步图信号。

    4. Graph Convolutional Network
    给定图结构 G = ( V , E ) G = (V, E) G=(V,E),定义 A ^ \widehat{A} A 为归一化邻接矩阵: A ^ = D − 1 A \widehat{A}=D^{-1}A A =D1A,其中 D D D是节点的度矩阵,去掉激活函数,在无向图结构下对扩散过程进行 K K K步建模,得到最终的特征传播方程:
    在这里插入图片描述

    5. An Unifying View of the Existing GCNs
    基于频谱的GCN的研究主要集中在卷积滤波器 g θ g_θ gθ的定义上,如Figure1中:

    1. GCN引入了一阶切比雪夫多项式滤波近似。
    2. 在邻接矩阵上加上加权单位矩阵来构造GIN,他们证明了GCN与Weisfeiler-Lehman (WL)图同构检验一样强大。
    3. SGC(Simple Graph Convolution)将初始邻接矩阵与自身相乘k次,简化了多层GCN。
    4. gfNN(graph filter Neural Network)在SGC的基础上增加了一个激活函数和一个映射函数,对非线性相关进行建模。
    5. MixHop通过邻接矩阵的混合幂来探索直接邻接和间接邻接的潜在表示。

    这些研究采用了带有初始邻接矩阵的图卷积和它的高次幂,使得难以有效地捕获多层次的依赖关系,为了解决这一问题,CGC利用逐层变化的自学习邻接矩阵来提取分层表示。

    6. Methodology

    在本节中,我们将介绍CCRNN的详细信息。下图是提出的方法的架构。
    在这里插入图片描述

    6.1 Adjacency Matrix Generation

    在GCN中,邻接矩阵很重要,因为它决定了节点与邻居节点的聚合。作者提出的邻接矩阵的生成方法是数据驱动的,时间相关性也可以被捕捉到。给定图信号 X t a : t a + τ − 1 ∈ R τ × N × d X_{t_{a:t_{a}+\tau-1}}\isin\Reals^{\tau\times N \times d} Xta:ta+τ1Rτ×N×d,把3-D的张量转化成2-D矩阵 ( τ ⋅ d ) × N (\tau\cdotp d)\times N (τd)×N,为了捕获不同站点之间的内部相似性,过滤站点之间的冗余信息,对二维矩阵 X a X^a Xa进行分解: X a = X t X s T X^a=X^t {X^s}^T Xa=XtXsT,其中 X t X^t Xt X s X^s Xs代表时间和站点的维度,实际上在实验中用SVD分解 X a X^a Xa,达到降维的效果。 X s ∈ R N × ξ X^s\isin\Reals^{N \times \xi} XsRN×ξ ξ \xi ξ是站点特征的维度,我们计算 X s X^s Xs的第 x x x和第 y y y行的相似度作为邻接矩阵边的权重: A x y = S i m i l a r i t y ( X x s , X y s ) A_{xy}=Similarity({X_x}^s,{X_y}^s) Axy=Similarity(Xxs,Xys)。利用高斯核的方法去计算两两相似性:
    在这里插入图片描述

    6.2 Coupled Layer-wise Graph Convolution

    CNN固定和局部的感受野使得很难去捕捉长距离的变换和区域之间的相似性,谱图理论将卷积运算从规则网格结构推广到图结构。但利用基于网格的数据做图卷积提取高阶的表示是不明智的,因为在一个网格数据中有多重的交通模式,为了解决这个问题,作者提出一个基于站的和无站的交通的统一图形式。提出了一种新的图卷积网络——耦合分层图卷积(CGC),该网络在不同层次具有不同的邻接矩阵。这个结构可以递归地定义:
    在这里插入图片描述
    节点之间的多层关系以 A ( m ) A^{(m)} A(m)为模型,它随层的变化而变化。用一个耦合映射函数 ψ ( m ) \psi^{(m)} ψ(m)去构造高阶邻接矩阵: A ( m + 1 ) = ψ ( m ) ( A ( m ) ) A^{(m+1)}=\psi^{(m)}(A^{(m)}) A(m+1)=ψ(m)(A(m))

    第一层的CGC如下, Z ( 0 ) = X Z^{(0)}=X Z(0)=X
    在这里插入图片描述
    为了减少参数, A ( 0 ) ∈ R N × N A^{(0)}\isin \Reals^{N \times N} A(0)RN×N经过SVD分解, A ( 0 ) = E 1 ( 0 ) E 2 ( 0 ) T A^{(0)}={E_1}^{(0)}{E_2}^{(0)^T} A(0)=E1(0)E2(0)T,最终得到下面的公式:
    在这里插入图片描述

    6.3 Multi-level Aggregation

    引入attention机制来从多个图卷积层去聚集相对重要的信息,而不是固定一个layer。CGC得到的图信号的多层次表示记为 Z = { Z ( 1 ) , Z ( 2 ) . . . , Z ( m ) , . . . , Z ( M ) } \Z=\{Z^{(1)},Z^{(2)}...,Z^{(m)},...,Z^{(M)} \} Z={Z(1),Z(2)...,Z(m),...,Z(M)},经过以下的操作:
    在这里插入图片描述
    h h h就是CGC最终的结果,并传入到GRU。

    6.4 Temporal Dependence Modeling

    GRU是RNN的一个简单但强大的变种,它解决了梯度爆炸和消失的问题。作者用CGC与多级聚合的结合来代替GRU中的线性变换,Coupled Layer-wise Convolutional Recurrent Gated
    Recurrent Unit (CCGRU) 定义如下:
    在这里插入图片描述
    重置门 r ( t ) r^{(t)} r(t)忘记不重要的信息,更新门 u ( t ) u^{(t)} u(t)控制在 t t t时间步GRU的输出。

    7. Experiments

    7.1 Datasets:

    NYC Citi Bike:数据集包含了91天的纽约市的自行车的订单记录,包含了自行车的取车点,落车点,自行车取车时间和落车时间,行程持续时间。
    NYC Taxi:数据集包含3500万的纽约市出租车记录,包含了上车和下车的时间,上车和下车的经纬度,路程距离。

    7.2 Baselines:

    作者比较了以下方法,并调优了关键的超参数,以确保它们具有最佳性能:
    HA:将前面时间步骤中的历史值的平均值作为历史平均值计算。
    XGBoost:XGBoost是一种广泛应用的基于梯度增强树的方法。
    FC-LSTM:LSTM与全连接层的结合。
    DCRNN:扩散卷积循环神经网络以编解码器的方式将扩散图卷积与GRU相结合。
    STGCN:时空图卷积网络将图卷积与因果卷积相结合。
    STG2Seq:时空图序列模型可以捕捉长期和短期信息。
    Graph WaveNet:Graph WaveNet利用自适应邻接矩阵进行图卷积。

    7.3 Experimental Setup

    被研究的区域是一个 8.42 k m × 14.45 k m 8.42km\times 14.45km 8.42km×14.45km的一个矩形区域,对系行车的研究是基于停车场的,每个停车场视为一个车站。时间步长设置为半个小时,在最后四周中,前两周用于验证,后两周用于测试。需求在所有站点都是标准的,特征维度 D D D是2,分别代表上车需求和下车需求。历史需求长度 P P P设置为12,预测长度 Q Q Q也是12。第一个时间步的生成的邻接矩阵 t a t_a ta是0,长度 τ \tau τ是3011(训练集的长度),站点特征的维度 ξ \xi ξ是20,在CGC中的卷积层 M M M是3, K K K是3。两个自适应矩阵 L L L的维度是50,隐藏状态单元的维度 β \beta β设置为25,对自行车和出租车的学习率分别为 0.0005 0.0005 0.0005 0.0015 0.0015 0.0015。为了训练时数值稳定,作者初始化权重矩阵 W W W为单位矩阵,偏置 b b b 0 0 0。所有方法均采用 A d a m Adam Adam算法进行优化,该模型是用PyTorch框架实现的。选择以下三个评价指标:均方根误差 ( R M S E ) (RMSE) (RMSE)、平均绝对误差 ( M A E ) (MAE) (MAE)和皮尔逊相关系数 ( P C C ) (PCC) (PCC),RMSE为损失函数。

    7.4 Main Results

    7.4.1 Comparison with Baselines

    在这里插入图片描述

    7.4.2 Performances on Multi-step Demand Prediction

    在这里插入图片描述

    7.4.3 Ablation Study

    在这里插入图片描述

    8. Conclusion

    本文提出了一种新的交通需求预测模型CCRNN。特别是,为了捕获多层次空间依赖性,作者提出了一种新的图卷积结构CGC。CGC中的邻接矩阵是自学习的,并随层变化。在此基础上,采用分层耦合机制将上层图结构与下层图结构连接起来。它还减少了我们模型中参数的比例。然后,通过多层聚合模块对提取的表征给予不同的重视度。一个单一的网络将上述组件融合在一起,做出最终的预测。在真实世界的出租车和共享自行车数据集上进行了实验,利用CCRNN获得了SOTA的结果。本研究为基于分层邻接矩阵的图卷积网络提供了一个新的视角。在未来,作者将研究CGC在其他图卷积任务上的性能。

    展开全文
  • Apple Transportation

    2017-04-06 16:38:41
    For each case output the minimal total transportation cost. The minimal cost is guaranteed to be less than 231. Sample Input 3 1 2 3 0 1 1 0 2 1 3 1 3 3 0 1 3 0 2 4 2 1 2 0 1 1 Sample Output 1 3 ...
  • 此存储库代表Hack Oregon的Transportation Systems项目的工作。 我们是开放数据的志愿者项目。 此存储库旨在在docker环境中运行。 关于行尾的注释 您可能知道,Linux上的文本文件(我们在其中部署和在其中运行容器...
  • 1)安装数据库 2)创建了2个数据库(即一个用于OTM和其他用于MDS) 3)安装Oracle infra 4)然后安装OHS 5)安装weblogic 补丁 6)运行rcu 7)然后安装OTM
  • Transportation-源码

    2021-05-14 14:31:35
    运输 第6课:用于计算2050年公共交通票价的控制台应用程序。
  • transportation-源码

    2021-03-09 19:37:15
    transportation
  • Transportation 通过引导用户完成旅行的过渡阶段,提供无缝的旅行体验。 通过提供一流的旅行管理系统,在适当的时间提供个性化和上下文信息,最大限度地提高客户参与度。 T&T Ready 应用程序通过以下方式突出整个...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 11,819
精华内容 4,727
关键字:

transportation