Mar, 2019

用图神经网络建模交通参与者交互

PDF
TL;DR该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。
graphneural networktraffic predictioninteractionmodeling
发现论文，激发创造
  • 使用图神经网络联合交互和轨迹预测自动驾驶

    本文提出了一种基于图神经网络的方法，通过显式建模相互作用来预测交通场景中车辆的未来动向，并采用自动标注函数来生成交互标签，从而有效地降低了轨迹误差。

    Dec, 2019

  • 基于关系的交通场景图的运动预测

    通过建立空间语义场景图和使用图神经网络来探讨 Traffic participants 之间的关系对于预测自动驾驶中的加速度和减速度等相关参数具有重要作用。这种建模方式不仅可以提高预测结果，也可以通过包含先前场景的附加信息提高预测性能。

    Nov, 2022

  • 用于交通预测的消息传递神经网络

    本文探讨了在交通预测中基于道路网络建模的方法并提出一种基于信息传递的图神经网络来捕捉节点之间的互动，使用真实数据和合成数据的试验表明该方法在交通预测中具有优越性。

    May, 2023

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 智能交通系统中应用门控图神经网络提高交通密度预测

    该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

    Oct, 2023

  • 用于交通预测的图神经网络：综述

    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

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023

  • 智能交通系统中的图神经网络综述

    本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 ITS 所面临的挑战，并提出了潜在的未来研究方向。

    Jan, 2024

  • 使用图神经网络合成交通数据集

    该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

    Dec, 2023