STG2Seq:面向多阶段乘客需求预测的时空图到序列模型
本文介绍了一种新的交通工具需求预测方法,采用 STA-MGCN 网络和考虑周期特征的数据集,取得了骑行需求预测的最佳性能,结合纽约、芝加哥和成都三个实际数据集的测试分析。
Mar, 2022
该研究提出了一种新的虚拟图建模方法和深度多视角时空虚拟图神经网络框架,以增强城市范围打车需求预测的空间动态学习能力和时间依赖性,实验证明该框架在细粒度预测场景中具有效力和优越性。
Jul, 2020
该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架,用于在城市的出租车运营中预测需求,包括空间和时间相关性,并借助大数据的支持,提高了交通预测问题的效果。
Feb, 2018
本文介绍了一种新型的预训练框架,将 “可扩展时间序列预训练模型”(STEP)与 “空间 - 时间图神经网络”(STGNN)相结合,通过长期历史时间序列数据的预处理,提供上下文信息,显著提高预测准确性。
Jun, 2022
本研究提出了一种名为 TGNet 的新的需求预测模型,它集成了图网络和时间导向嵌入,能够高效提取复杂的时空模式,并在其三个实际数据集中取得了与基线模型相当的预测表现,在参数数量上却大幅节省。
May, 2019
本文提出一个基于图卷积神经网络(STGCN)的深度学习框架来预测交通领域的时间序列问题,该模型可以更快地训练少量参数,通过建模多尺度交通网络,有效地捕捉了全面的时空相关性,并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。
Sep, 2017
介绍了一种新颖的框架,即空间 - 时间多粒度框架 (STMGF),用于提高对交通网络中长距离和长期信息的捕捉,该框架通过以分层交互方式收集信息,利用交通序列中的固有周期性与最近交通数据进行匹配以改善预测结果,并在两个真实数据集上的实验表明 STMGF 胜过所有基准模型,达到最新的性能水平。
Apr, 2024
为了准确预测人群中行人的轨迹,需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法,即基于有向无环图的社会 - 时间图(STG)。利用 STGformer 模型,我们实现了端到端的流程,学习 STG 的结构用于轨迹预测,并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明,利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。
Dec, 2023
本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准,以评估其在两种类型的交通数据集上的性能,并讨论未来的研究方向。
Jul, 2023
本研究提出了一种新的假设:全局 - 动态交通信息(GDTi)行为为交通流内在的传输因果关系(TCR),并进一步提出了时空 Granger 因果关系(STGC)以表达 TCR,以建立全局动态空间依赖性的模型。 实验结果表明,使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。
Oct, 2022