May, 2019

城市时空预测中的多模态图交互和多图卷积网络

PDF
TL;DR本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。
graph convolution networkspatial feature extractionmulti-modal machine learningridehailing demand forecastinginterpretability
发现论文，激发创造
  • 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测

    本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

    Sep, 2019

  • 交通需求预测的耦合逐层图卷积

    本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。

    Dec, 2020

  • 多图卷积网络用于姿态预测

    本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法，该方法结合自然结构和序列注意力，同时捕获空间和时间信息，并在人体运动预测的基准数据集上表现出比现有方法更好的效果。

    Apr, 2023

  • MONET: 多模态图卷积网络和目标感知注意力在多媒体推荐中的应用

    本研究聚焦于使用图卷积网络（GCNs）的多媒体推荐系统，旨在更有效地利用多模态特征以准确捕捉用户对项目的偏好。通过提出模态包容 GCN（MeGCN）和目标感知注意力等两个核心思想，我们的实验表明 MONET 在七种最先进的竞争者中非常优越（在召回率 @20 方面比最佳竞争者高出 30.32％），并证明了 MONET 的两个核心思想的有效性。

    Dec, 2023

  • 使用图神经网络进行交通预测的统一时空建模

    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

  • DDP-GCN：用于时空交通预测的多图卷积网络

    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

  • 基于周期性偏移的打车需求预测的时空注意力多图卷积网络

    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

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了 GCN 在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

    Feb, 2022

  • 城市区域多时间关系推理

    本文提出了一种新的问题 —— 多时期地理位置之间的时间关系推理研究（Trial），提出了一个图学习方法（SEENet），其中包括空间演化图卷积模块（SEConv）和空间演化自监督学习策略（SE-SSL），并在四个真实数据集上进行试验，证明了我们的方法优于几种最先进的方法。

    Jun, 2023

  • 用于空间交互建模的卷积

    本文研究用于预测自动驾驶汽车周围参与者运动的空间交互建模问题，并考虑代替 GNN 的解决方案。该研究发现，2D 卷积可以比 GNN 更低延迟地模拟空间交互，并提出一种新的交互损失以进一步改善所考虑的方法的交互建模。

    Apr, 2021