2019年春季学期视觉计算实验室第十四周论文研读预告

时间: 2019年06月06日 09:30
地点: 基础教学楼B座318实验室
研读成员: 夏婷

论文目录:
[1]He T, Bao J, Li R, et al. Detecting Vehicle Illegal Parking Events using Sharing Bikes’ Trajectories[J]. SIGKDD. ACM, 2018.
[2]Liu Z, Shen Y, Zhu Y. Where Will Dockless Shared Bikes be Stacked?:---Parking Hotspots Detection in a New City[C]//Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2018: 566-575.

论文简介:
文献一:本文来自于城市计算郑宇团队,作者提出利用摩拜单车轨迹来检测车辆违规停车事件的系统。文章的特别之处在于独特的数据集和新颖的问题切入点,该系统主要由两部分构成:1)轨迹预处理,对离群的GPS点进行过滤,进行地图匹配,生成轨迹索引。2)违规停车检测,对正常的轨迹进行建模,从评价轨迹中提取特征,采用基于分布测试的方法发现违规停车事件。其主要的贡献:1)是第一个尝试用挖掘大数据自行车轨迹来检测违法停车事件。2)设计并实现了一个全面的自行车轨迹清洗预处理模块,并建立了一套处理的指标。3)手工收集了400多个违规停车标签,调整检测模型最有效的阈值。4)数据集为北京市6个月的摩拜单车轨迹数据,并对该模型进行了广泛的评估。
-----2019-06-03---9.08.28
图1 验证实验的可行性
-----2019-06-03---9.09.00
图2 系统概览图
-----2019-06-03---9.09.22
图3 系统界面图

文献二:本文来自于上交大刘兆洋2018年发表在KDD上利用摩拜单车数据、POI特征数据、路网数据、卫星光数据、交通特征数据以及商业中心特征数据来进行自行车热点预测,文章侧重于数据处理和算法。在此类问题的研究上由于特殊多源数据的融合和最新深度学习技术的应用,所以文章的具备鲜明的创新性。该研究可用于新城市共享自行车业务的扩展,本文利用Kernal密度估算,通过自行车密度衡量道路热度。从上述多源城市数据中提取有用的特征,并引入一个新的领域适应网络,用于将从共享自行车城市学到的热点知识传递到新城市。最后,用广泛的实验结果证明了所提方法与各种基线相比的有效性。
-----2019-06-03---9.03.07

123