Python
Java
PHP
IOS
Android
Nodejs
JavaScript
Html5
Windows
Ubuntu
Linux
JUST技术:利用迁移学习生成新城市的轨迹
市民的出行轨迹数据无论是对于城市管理 规划 还是商业活动 都是重要的参考信息 然而 获取一个城市的人群轨迹数据却非常困难 在今年4月份召开的国际顶级互联网会议WWW 2020 CCF A类 上 京东城市报告了被会议收录的论文 What is
时空数据JUST
大数据
迁移学习
时空数据
Deep Spatio-Temporal Residual Networks(深度时空残差神经网络)
目录 业务场景 环境搭建 数据及目录结构 模型 代码 建模 训练 预测及结果呈现 文章只是对模型的学习与实践做简要记录 以免日后给忘了 并没有对模型优劣 应用的场景等理论方面有过多分析 适合快速动手搭建 成功运行 分析代码 并学习怎样用ke
深度学习
残差神经网络
卷积神经网络
时空数据
机器学习
利用轨迹拼接分析实时可达区域
如何快速得知从你的位置开始出发 在当前的交通状况下 5分钟之内能够抵达的空间区域范围 当你掏出手机打车时 出租车调度平台应该通知哪些范围的车主进行接单 前言 本篇介绍的是被国际著名数据库和数据挖掘会议DASFAA 2020 CCF B类 成
时空数据JUST
时空数据
大数据
JUST技术:高效时空索引揭秘及使用指南
一 问题背景 城市中超过80 的数据都与时空有关 如加油站点 出租车轨迹 交通路况等 这些数据多为半结构化和非结构化数据 并且需要管理的数据量巨大 传统的时空数据库管理海量数据时会出现性能严重下降的情况 如带有PostGIS插件的Postg
时空数据JUST
时空数据
时空索引
数据模型
如何通过轨迹信息判断驾驶人是否为同一人?
轨迹识别问题旨在验证传入的轨迹是否是由所要求的人员产生 即给定一组单独的人员历史轨迹 例如行人 出租车司机 以及由特定人员生成的一组新轨迹 判定两组轨迹是否由同一个人员生成 这个问题在许多实际应用中都很重要 例如出租车驾驶人员身份认证 汽车
时空数据JUST
孪生神经网络
轨迹识别
时空数据
基于深度学习Seq2Seq框架的技术总结
随着互联网经济的普及定位技术的快速发展 人们在日常生活中产生了大量的轨迹数据 例如出租车的GPS数据 快递配送员PDA产生的轨迹数据等 轨迹数据是一种典型的时空数据 Spatial Temporal Data 是按照时间顺序索引且空间变化的
时空数据JUST
Seq2Seq
深度学习
自然语言处理
时空数据