将交通视为图像:用深度卷积神经网络对大规模交通网络速度进行预测
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
提出了一种名为 DeepTransport 的端到端框架,其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息,并引入注意力机制以对齐空间和时间信息,并构建并发布实时大规模交通状况数据集,经实验证明,该方法在时空领域捕捉了复杂的关系,相对于传统的统计方法和最先进的深度学习方法,取得了显著的性能提升。
Sep, 2017
通过时空深度学习方法,提出了一个用于高速公路上每日交通流量预测的新方法,该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题,并基于图卷积网络构建了不同语义的网络来捕捉时空特征,同时利用气象和日历特征在全连接阶段提取交通流量的外部特征,经过大量实验证明该方法较基准模型在预测准确性方面有明显提升,并在商业领域带来实际效益。
Aug, 2023
基于卷积神经网络(CNNs)和长短期记忆(LSTM)深度学习架构,利用基于元胞自动机的统计力学模型预测交通流量,并通过观察统计力学模型的归一化能量分布的尺度不变性,采样模拟数据来生成大规模交通系统的训练和测试数据,结果显示预测与真实交通流动态之间存在良好的一致性。
Mar, 2024
本文提出一种名为 PCNN 的基于深度卷积神经网络的短期交通拥堵预测方法,通过时间序列折叠和多粒度学习手段,将交通数据转化为二维矩阵输入,并在局部和宏观层面对交通拥堵进行建模和预测,实验结果表明 PCNN 对于预测短期交通拥堵具有显著优势。
Mar, 2020
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018
本研究提出了一种利用颜色编码方案对交通视频进行分类的方法,并使用深度卷积神经网络进行训练,通过实验得到 98.2% 的分类准确率。
Sep, 2022
本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN),通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性,通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12%-15%之间。
Jul, 2017
本研究针对交通速度预测问题,通过基于距离、方向和位置关系的图卷积网络构建基本图元素,成功地将空间依赖关系引入深度神经网络, 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。
May, 2019
本文介绍了一种名为 Spatial CNN (SCNN) 的神经网络,该网络利用了基于特征图的层间切片卷积来实现像素之间的跨行列信息传递,从而加强了卷积神经网络 (CNN) 学习结构输出的能力,特别适用于具有强空间关系但较少外表线索的目标识别任务,例如交通车道检测。实验结果表明,与传统的 RNN 和 MRF+CNN(MRFNet)相比,SCNN 可显著提高车道检测数据集的准确度。
Dec, 2017