XiaoMi-AI文件搜索系统
World File Search System旅行时间
新颖的旅行时间感知种群模型和多...
在传染病控制领域，准确建模传播动态至关重要。由于人类流动和通勤模式是传染病传播的关键组成部分，我们引入了一种新颖的旅行时间感知种群模型。我们的模型旨在增强对疾病传播的估计。通过提供对干预效果的更可靠评估，可以最大限度地减少通过干预措施限制个人权利或人类流动行为。所提出的模型是对传统隔室模型的改进，它整合了旅行和通勤的显式传播，这是基于代理的模型中可用的因素，但在种群模型中经常被忽略。我们的方法采用了基于多边图 ODE (Graph-ODE) 的模型，该模型表示流动性和疾病传播之间错综复杂的相互作用。这种细粒度建模在评估密集连接的城市地区的动态或必须评估整个国家/地区的异构结构时尤为重要。给定的方法可以与任何类型的基于 ODE 的模型相结合。此外，我们提出了一种新颖的多层免疫力减弱模型，该模型整合了不同速度的免疫力减弱，以预防轻度和重度疾病。由于这对于晚期流行病或地方病情景特别有意义，我们考虑了德国 SARS-CoV-2 的晚期阶段。这项研究的结果表明，考虑已解决的流动性会显著影响疫情的模式。改进后的模型提供了一种精确的工具，用于预测疫情轨迹和评估与流动性相关的干预策略，使我们能够评估旅行导致的传播。从该模型得出的见解可以作为决策的基础，用于实施或暂停干预措施，例如公共交通工具上强制戴口罩。最终，我们的模型有助于保持流动性作为一种社会利益，同时减少可能由旅行活动推动的疾病活跃动态。
改善运输评估的实践状态，以适应传统上旅行时间的生产性使用，旅行时间
改善运输评估的实践状态以适应传统旅行时间的生产性使用，旅行时间被视为承担负担，同时将人和商品从一个地方移至另一个地方，以启动经济和休闲活动。最近，鉴于人们不断获得工具和旅行环境（包括连接和自动驾驶汽车的旅行环境），这一假设有助于促进旅行时参与工作或休闲任务。在运输评估问题的背景下，质量提高了车辆时间（IVT）的最直接后果是由于影响旅行持续时间的政策和投资而导致的福利量化。如果我们认识到某些IVT值得，那么运输评估框架应该能够反映这一点，并实现利用货币证据来评估IVT质量的政策。由于缺乏可实现的框架和数据收集协议，目前不是这种情况，这些协议将指导适当的努力以保持一致和可比性。没有对方法和实践的增强，对基础设施项目的评估和运输政策的评估可能会导致不准确的结果，从而导致效率低下，效率低下（公共）资源分配以及错过的机会驱动运输部门的可持续性。该博士学位项目的目标是通过提出建模框架和数据收集实践的扩展来改善运输评估实践，以明确考虑和货币化旅行时间的产生影响。预期的结果应允许等于不同类型的旅行时间使用，同时还可以容纳行为异质性。为此，该研究应开放新的建模范式，尤其是基于代理的建模，以及基于将调查机制和感应技术或情感分析的移动设备基于移动设备进行的新兴数据收集方法，以进行证据收集或验证。成功的候选人应具有高水平的计量经济学，运输经济学和数据分析的动力。申请人在数字学科中应具有强大的背景，例如工程学，应用数学或定量地理位置，并在本科级别具有一级荣誉学位。成功的候选人将接受旅行需求建模方法，运输经济学和计划，数据分析和编码方面的培训。还可以预期，成功的候选人将有机会定期与英国运输部互动，后者将共同赞助这一学生机会。资金以支付家庭学生水平的学费，并通过土木工程系奖学金和通过LISS博士培训计划在伦敦帝国帝国学院的开放竞赛中寻求津贴。感兴趣的候选人应联系Aruna Sivakumar教授（a.sivakumar@imperial.ac.uk），以获取更多信息。
新颖的旅行时间意识到的种群模型和多...
在传染病控制领域，传播动力学的准确建模是关键的。由于人类的流动性和通勤模式是传染病传播的关键组成部分，因此我们引入了一种新型的旅行时间意识到的种群模型。我们的模型旨在增强疾病传播的估计。通过提供有关干预措施有效性的更可靠的评估，可以最大程度地减少干预措施的个人权利或人类流动行为。所提出的模型是比传统隔间模型的进步，它集成了旅行和通勤上的显式传输，这是基于代理模型的一个因素，但通常被跨吞噬模型忽略了。我们的方法采用了基于多边的基于图的（图形）模型，该模型代表了迁移率和疾病扩散之间的复杂相互作用。在评估密密相连的城市地区的动态或必须评估整个国家的异质结构时，这种颗粒状建模尤其重要。给定方法可以与任何基于ODE的模型结合使用。此外，我们提出了一种新型的多层减弱免疫模型，该模型将不同的步伐减弱，以防止轻度和严重的疾病病程。由于这对于晚期流行病或流行情景特别有意义，因此我们考虑了德国SARS-COV-2的后期。这项工作的结果表明，解决已解决的移动性会显着影响爆发的模式。改进的模型提供了一种精致的工具，可以通过允许我们评估导致旅行的传输来预测爆发轨迹和评估与移动性有关的干预策略。从该模型中得出的见解可以作为决策或中止干预措施的决策的基础，例如公共交通的强制性面具。最终，我们的模型有助于将流动性作为社会善良，同时减少可能受旅行活动驱动的旺盛疾病动态。
性能度量定量指标提高运输绩效•往返和细分市场旅行时间•前进时间表•交叉点延迟•n
Performance Measure Quantitative Metrics Improve Transit Performance • Roundtrip & Segment travel time • Headway schedule • Intersection delay • Number of stops for red-light Enhance Citywide System • Number of messages received and stored • Predictive algorithm accuracy Reduce Greenhouse gas emissions • Idling time savings • Stop dwell time • Number of transit riders • Corridor and side-street congestion Increase Safety of the System • Corridor crash KSI Increase运输安全•按时性能•交通骑士的数量•交叉路口的过境人员延迟图2绩效措施
车辆旅行时间估算中的机器学习
准确的估计到达时间（ETA）在各个领域（例如导航和物流系统）中找到应用程序。这个问题引起了研究界的广泛关注。最近应用了机器学习，并显示了ETA的有希望的结果。机器学习方法可以分为两类，这些类别是基于路线和基于原点的方法。第一个将路线分为段，并根据这些段的信息进行预测ETA。最后一个根据一些自然信息（例如原点，估计和出发时间）预测ETA。在本文中，我们旨在回顾有关ETA的机器学习方法的最新研究，以确定ETA预测模型的必要输入，关键因素和ETA的合适方法。此外，我们将讨论有希望改善ETA的有希望的研究方向，例如将ETA作为时间序列预测问题，包括不确定性或使用集合学习模型。