Aaron Ho

期刊論文

動態交通網路與流量預測(2024)

研究動態交通網路表徵與捷運旅客流量預測。

我的角色
以共同作者身分提供程式碼與技術支援,實際參與偏輔助;模型方法與期刊成果為團隊研究。
共同研究原圖:交通網路表示學習與流量預測流程。
共同研究原圖:交通網路表示學習與流量預測流程。(點圖放大)

要解決的問題

捷運流量預測需將動態交通網路關係納入模型表示。

輸入、處理與產出

輸入
捷運網路結構、流量與時間變化。
處理方式
共同研究以遮蔽流量、車站關係與距離任務學習表示,再分層整合時間、車站及路線訊號。
產出
交通流量預測方法與Knowledge-Based Systems期刊論文。

適用範圍

我的角色為程式碼與技術支援;以下方法說明屬團隊研究,不代表本人主導架構。

相關案例

研究問題與團隊方法

把捷運結構變成模型能學習的任務

轉乘站與一般站的關係不同,固定路網表示難以完整反映時變流量。

我的參與是程式碼與技術支援,偏向輔助。共同研究以多項預訓練任務,讓模型從流量同時學習車站與空間關係。 DTNR結合遮蔽流量、車站序列關係與距離任務,將學得的表示轉移到預測模型。

團隊完成 Knowledge-Based Systems 期刊發表;我的貢獻定位為技術支援,研究方法保留團隊歸屬。

讓時間、鄰站和路線分層參與預測

只把附近站點攤平,可能失去同路線與轉乘方向的結構。

我的參與是程式碼與技術支援,偏向輔助。共同研究採時間、車站與路線分層擷取,再預測目標站下一時段流量。 以MLAN整合預訓練表示與GRU特徵,建立分層比較和驗證。

團隊形成可比較的交通網路預測方法;此處說明研究問題與方法,不歸為我的獨立架構決策。

成果與驗證

形成 Knowledge-Based Systems 2024 正式期刊論文。

動態交通網路表徵