Feb, 2016

基于潜空间模型的道路网络时间变化交通预测

PDF
TL;DR本文提出了一种基于潜在空间模型的道路网络（LSM-RN）用于解决实时交通预测的问题，该模型能够学习路网快照的属性，并根据时间依赖性进行实时交通预测，通过与大量真实交通传感器数据的实验比较也展示了其优越性。
real-time traffic predictionspatiotemporal traffic sensor datasetslatent space modelroad network snapshotsonline algorithm
发现论文，激发创造
  • 动态网络和时态知识图谱的神经潜空间模型

    本文提出了一种适用于动态网络的统计模型 Neural Latent Space Model with Variational Inference，该模型能够表示并预测网络结构的演化，并在同质、双部分和异质网络的真实数据集上表现出优异的性能。

    Nov, 2019

  • 动态网络的潜在空间模型

    本研究利用潜在欧氏空间嵌入纵向网络数据轨迹，提出了一种动态网络模型，采用 MCMC 算法估计模型参数和演员的潜在位置。该模型具有有意义的可视化效果，易于处理方向或无向边，缺失边且很好地用于预测未来边。此外，我们给出了一种新颖的方法来仅使用边信息来检测和可视化演员之间的吸引力。我们使用该模型研究了从荷兰教室和美国众议院成员收集的协同赞助网络中收集的数据，以展示该模型的实用性并使研究人员深入了解网络的演化和结构。

    May, 2020

  • 时空大型语言模型用于交通预测

    提出了一种基于空间 - 时间大型语言模型（ST-LLM）的交通预测方法，通过重新定义位置上的时间步长作为标记，并结合空间 - 时间嵌入模块来学习标记的空间位置和全局时间表示，在提供统一的空间和时间信息的基础上，进一步提出了一种部分冻结的 LLM 关注策略，用于捕捉交通预测的空间 - 时间依赖关系。综合实验表明 ST-LLM 在真实交通数据集上优于最先进的模型，同时在少样本和零样本预测场景中也表现出鲁棒性。

    Jan, 2024

  • 交通流量预测的时空转换网络

    本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

    Jan, 2020

  • 使用 Transformer 学习动态和分层交通时空特征

    本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

    Apr, 2021

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    本研究提出一种动态局部化长短期记忆（LSTM）模型，通过使用局部动态空间权重矩阵和其动态变化，考虑时间和空间上的复杂动态相互作用，对道路之间的时空关系进行建模，能够处理具有长时序依赖和复杂非线性特征的序列数据，并在实验证明了该模型相比基线方法具有更好的预测性能。

    Dec, 2021

  • 加权边动态网络的潜空间模型

    采用潜空间模型，利用链接函数建模平均耦合缔结及数据扩充进行广泛扩展，应用该方法于计数耦合缔结和非负实耦合缔结的模型分析模拟数据以及移动电话数据与国际贸易数据，通过马尔科夫蒙特卡罗算法评估模型参数和潜在演员轨迹获得对网络动力学的深入洞见。

    May, 2020

  • 隐式潜变量模型用于场景一致运动预测

    本研究针对自主车辆安全规划的需求，提出基于图神经网络的场景一致性运动预测模型，并取得在运动预测和交互理解方面的最新进展，证明其对实现更安全、更舒适的运动规划具有显著意义。

    Jul, 2020

  • 交通网络中时空循环卷积网络用于交通预测

    提出了一种基于运动预测领域知识的网络网格表示方法，将网络整体交通速度转换为静态图像，并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs)，可以用于交通预测，实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。

    May, 2017

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

    Mar, 2018