Traffic Forcasting 相关的热门 GitHub AI项目仓库

一些关于轨迹预测的最新研究资料

基于YOLO v4、DeepSORT和Flask的多摄像头实时交通流量与目标计数

顶级计算机科学会议（如NeurIPS、ICML、ICLR、KDD、AAAI、WWW、IJCAI、CIKM、ICDM、ICDE等）的时间序列研究工作总结

使用 SUMO 模拟器进行交通信号控制的强化学习环境。兼容 Gymnasium、PettingZoo 和其他流行的强化学习库。

使用TensorFlow实现单次多盒检测器 (SSD)，用于检测和识别交通标志

基于YOLOv3和Tkinter的计算机视觉交通违章检测系统，可对视频片段进行分析并包含图形用户界面(GUI)

一个基于深度Q学习强化学习框架，该框架中的智能体尝试选择十字路口正确的交通灯相位，以最大限度地提高交通效率。

我们发表在 SIGKDD 2022 大会上的论文《基于预训练的时空图神经网络用于多元时间序列预测》的代码。

交通标志检测。一篇题为“深度神经网络在交通标志检测系统中的评估”论文的代码。

基于图的驾驶场景拓扑推理

基于深度强化学习的软件定义网络路由优化方法

交通预测的任务是利用历史数据（时间序列）预测道路网络（图）中未来的交通状况（例如，交通量、速度等）。

交通预测领域深度学习模型开源代码综述

基于PyTorch的交通流预测模型PDFormer实现（AAAI 2023）：该模型利用传播延迟感知的动态长程Transformer进行交通流预测。

交通路口信号控制的决策智能平台

基于PyTorch的深度数据包分类方法：一种利用深度学习进行加密流量分类的新方法

用于时空预测的时空解耦掩码预训练（IJCAI-24）

基于YOLO算法和SORT算法实现的目标计数API代码

智能城市参考流程展示了如何集成各种媒体构建模块，并利用OpenVINO工具包提供分析功能，用于交通或体育场馆的感知、分析和管理任务。

我们利用深度强化学习和先进的计算机视觉技术，为印度道路创建了智能交通信号灯系统。我们还编写了脚本，使用SUMO作为环境来部署所有强化学习模型。