时空图卷积网络:用于交通预测的深度学习框架
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
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
本文提出了一个新的深度学习框架,名为3D-TGCN,它通过与传统空间信息不同的方式构建道路图,并提出了一个3D图卷积模型来更准确地模拟时空数据,并在实证结果中取得了优于现有基线的未来交通预测精度。
Mar, 2019
提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测,利用在线导航引擎获取即将到来的流量数据,并结合与时间相关的交通流量信息进行空间依赖的图卷积计算,实现对交通状况的预测。在现实数据上的实验表明,相比于现有方法,H-STGCN在各种指标上均表现出色,尤其是对于非经常发生的拥堵的预测。
Jun, 2020
本论文对交通预测问题中应用图神经网络(包括图卷积和图注意力网络)进行了全面的综述和研究,展示了其在不同交通预测问题方面,如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等,取得的最新成果。同时,还提供了每个问题的公开数据和资源列表,并提出了未来的研究方向。
Jan, 2021
本文提出了一种称为简化空时交通预测GNN的模型,它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性,并使用简单而有效的加权空时聚合机制捕获时间依赖性,而且使用了一种新颖的位置编码方案来捕获周期性的交通模式,实验表明该模型优于最先进的交通预测模型。
Mar, 2021
本文提出了一种统一的Spatio-Temporal Graph Convolution Network (USTGCN)模型用于交通预测,该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点,并在实验中证明了其超越了现有模型,同时减少了培训时间。
Apr, 2021
本文提出了一种新的空间-时间神经网络框架ASTGCRN,其中包括图卷积循环模块GCRN和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
Feb, 2023
使用时空图神经网络(ST-GNN)对实时交通数据建模,通过知识蒸馏(KD)提高ST-GNN在实时交通预测中的执行效率,使用剪枝算法和联合优化实现网络架构搜索和精调,评估结果表明,即使保留网络参数的仅3%,我们的方法仍能使学生网络接近教师网络的准确性。
Jan, 2024