Mar, 2018

基于多模态深度学习的交通流量预测的混合方法

PDF
TL;DR本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。
traffic flowforecastingmultimodal deep learningspatial-temporal correlationattention mechanism
发现论文，激发创造
  • 基于时空相关性的混合深度学习框架的短期交通流量预测

    本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

    Dec, 2016

  • 使用混合深度神经网络从不完整数据中学习时空特征进行交通流预测

    本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

    Apr, 2022

  • 多图时空图卷积网络用于交通流量预测

    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

  • 基于时空深度学习的高速公路交通量预测

    通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

    Aug, 2023

  • 基于时空注意力融合的动态图卷积网络用于交通流量预测

    本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

    Feb, 2023

  • 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

  • DeepTransport: 学习交通状况预测的时空依赖关系

    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

  • 多通道时空变换器模型的交通流量预测

    提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

    May, 2024

  • 基于区域相关性的时空深度学习辅助移动流量预测

    提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

    Dec, 2023

  • 一种基于小波变换和模节点的图卷积循环神经网络相结合的混合交通速度预测方法

    本研究提出了一种基于多尺度波形变换和时空约束的交通流量预测方法，使用 Motif-GCRNN 和 ARMA 预测不同频率分量的交通速度，并在成都的一个交通数据集上进行了实验，证明这种方法在交通预测方面的有效性。

    Apr, 2019