 | Monter d'un niveau |
Réseau de collaborationCe graphique trace les liens entre tous les collaborateurs des publications de Zhanhong Cheng figurant sur cette page.
Chaque lien représente une collaboration sur la même publication. L'épaisseur du lien représente le nombre de collaborations.
Utilisez la molette de la souris ou les gestes de défilement pour zoomer à l'intérieur du graphique.
Vous pouvez cliquer sur les noeuds et les liens pour les mettre en surbrillance et déplacer les noeuds en les glissant.
Enfoncez la touche "Ctrl" ou la touche "⌘" en cliquant sur les noeuds pour ouvrir la liste des publications de cette personne.
Nuage de motsUn nuage de mots est une représentation visuelle des mots les plus fréquemment utilisés dans un texte ou un ensemble de textes. Les mots apparaissent dans différentes tailles, la taille de chaque mot étant proportionnelle à sa fréquence d'apparition dans le texte. Plus un mot est utilisé fréquemment, plus il apparaît en grand dans le nuage de mots. Cette technique permet de visualiser rapidement les thèmes et les concepts les plus importants d'un texte.
Dans le contexte de cette page, le nuage de mots a été généré à partir des publications de l'auteur Zhanhong Cheng. Les mots présents dans ce nuage proviennent des titres, résumés et mots-clés des articles et travaux de recherche de cet auteur. En analysant ce nuage de mots, vous pouvez obtenir un aperçu des sujets et des domaines de recherche les plus récurrents et significatifs dans les travaux de cet auteur.Le nuage de mots est un outil utile pour identifier les tendances et les thèmes principaux dans un corpus de textes, facilitant ainsi la compréhension et l'analyse des contenus de manière visuelle et intuitive.
Chen, X., Cheng, Z., Cai, H.Q., Saunier, N., & Sun, L. (2024). Laplacian Convolutional Representation for Traffic Time Series Imputation. IEEE Transactions on Knowledge and Data Engineering, 3419698 (13 pages). Lien externe
Chen, X., Cheng, Z., Jin, J. G., Trépanier, M., & Sun, L. (2023). Probabilistic Forecasting of Bus Travel Time with a Bayesian Gaussian Mixture Model. Transportation Science, -. Lien externe
Cheng, Z., Wang, X., Chen, X., Trépanier, M., & Sun, L. (2022). Bayesian calibration of traffic flow fundamental diagrams using Gaussian processes. IEEE Open Journal of Intelligent Transportation Systems, 3, 763-771. Disponible
Cheng, Z., Trépanier, M., & Sun, L. (2022). Real-time forecasting of metro origin-destination matrices with high-order weighted dynamic mode decomposition. Transportation Science, 56(4), 904-918. Lien externe
Cheng, Z., Trépanier, M., & Sun, L. (2021). Incorporating travel behavior regularity into passenger flow forecasting. Transportation Research Part C: Emerging Technologies, 128, 16 pages. Lien externe
Cheng, Z., Trépanier, M., & Sun, L. (2021). Probabilistic model for destination inference and travel pattern mining from smart card data. Lien externe
Wang, X., Cheng, Z., Trépanier, M., & Sun, L. (2021). Modeling bike-sharing demand using a regression model with spatially varying coefficients. Journal of Transport Geography, 93, 103059 (12 pages). Lien externe
Wang, X., Cheng, Z., Trépanier, M., & Lijun, S. (2020). Modeling bike-sharing demand using a regression model with spatially varying coefficients. (Rapport technique n° CIRRELT-2020-40). Lien externe
