Bayesiansk maskininlärning för spatiotemporala processer inom transport

Den snabba utvecklingen av strömmande sensorer har gjort det alltmer vanligt med spatiotemporala data. I det här projektet utvecklar vi sannolikhetsmodeller för spatiotemporala data med tillämpningar inom transportproblem.

iStock/Wenjie DongHuvudsakligt fokus ligger på utveckling av beräkningseffektiva bayesianska metoder för lärande, prediktion och beslutsfattande för spatiotemporala data med nätverksstruktur.

Delprojekt 1. En bayesiansk dynamisk stokastisk blockmodell för storskaliga multinätverk med tillämpningar inom flygtrafik

Delprojekt 2. Trafikflödesmodellering och prediction med gaussiska processer med vägnätstopologi.

Forskare Visa/dölj innehåll

hector.rodriguez@liu.se

Extern partner

Stockholms Lokaltrafik, SL

Publikationer Visa/dölj innehåll

Héctor Rodriguez Déniz, Mattias Villani (2022)

Robust Real-Time Delay Predictions in a Network of High-Frequency Urban Buses

IEEE transactions on intelligent transportation systems (Print) Vidare till DOI

Héctor Rodriguez Déniz, Mattias Villani, Augusto Voltes-Dorta (2022)

A multilayered block network model to forecast large dynamic transportation graphs: An application to US air transport

Transportation Research Part C: Emerging Technologies , Vol.137 Vidare till DOI

Hector Rodriguez-Deniz, Erik Jenelius, Mattias Villani (2017)

Urban Network Travel Time Prediction via Online Multi-Output Gaussian Process Regression

2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC) Vidare till DOI

Forskning Visa/dölj innehåll

Maskininlärning

Maskininlärning för 5G systemkontroll och automatisering

Det finns en uppsjö av nya applikationer för 5G, allt från traditionella effektiva länkar för bredbandskommunikation till mer strikt säkra kommunikationslänkar eller massiv kommunikation som vanligtvis är förknippad med Internet of things.

Nya metoder för att knyta samman probabilistiska modeller och djup maskininlärning

Probabilistiska modeller och djupinlärning är två framgångsrika tekniker som används inom maskininlärning. För att kunna dra nytta av styrkorna hos båda teknikerna ämnar vi att utveckla nya metoder och teorier för att överbygga klyftan dem emellan.

WASP Maskininlärning

Inom statistik och maskininlärning utvecklar vi de metoder som används när autonoma system lär sig från data. Vår forskning fokuserar på sannolikhetsmodellering och effektiva algoritmer för lärande, prediktion och beslutsfattande under osäkerhet.

WASP - Wallenberg AI, Autonomous Systems and Software Program

Den fjärde industriella revolutionen är här när automation övergår i autonomi. LiU har framstående forskning inom flera av de områden som är centrala inom Wallenberg AI Autonomous Systems and Software Program, WASP.