相关实验视频
Updated: Jun 24, 2025
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
ST-D3DDARN:城市交通流量预测基于空间时间脱的3DDDenseNet,重点是ResNet
Jing Chen1, Guowei Yang1, Zhaochong Zhang1
1College of Information Technology and Engineering, Tianjin University of Technology and Education, Tianjin, China.
PloS one
|June 12, 2024
概括
这项研究引入了城市交通流量预测的新模型,增强了智能交通系统. 时空脱的3D密度网与注意力ResNet (ST-D3DDARN) 模型提高了预测的准确性和效率.
科学领域:
- 智能运输系统 (ITS) 是一种智能运输系统.
- 计算机视觉 计算机视觉
- 交通流分析 流量分析
背景情况:
- 城市交通流量预测对于ITS的效率和安全至关重要.
- 现有的模型与复杂的时空依赖性和外部因素作斗争.
- 需要先进的方法来准确预测城市交通动态.
研究的目的:
- 提出一个端到端的城市交通流量预测模型,ST-D3DDARN.
- 为了有效地捕捉交通流数据中的复杂的时空相关性.
- 提高城市交通预测的准确性和效率.
主要方法:
- 以视频分析为灵感的"交通"来表示交通流.
- 开发一个空间时空脱的3D密集网与注意力ResNet (ST-D3DDARN) 架构.
- 使用近距离,时期,趋势和外部因素分支提取多源流量特征.
- 整合空间自我注意力和协调注意力,以建立动态的时空相关性.
主要成果:
- ST-D3DDARN模型在两个真实世界数据集上展示了卓越的性能.
- 在单步和多步交通流量预测方面表现优于现有模型.
- 与当前最先进的方法相比,实现了更高的效率.
结论:
- 拟议的ST-D3DDARN模型有效地解决了城市交通流量预测方面的挑战.
- 该模型的架构成功地捕捉了复杂的时空依赖关系.
- ST-D3DDARN为智能运输系统提供了一个有希望的进步.
