DDP-GCN:用于时空交通预测的多图卷积网络
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
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
本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network(PGCN),它通过在训练和测试阶段逐步适应输入数据来构建一组图形,并与扩张因果卷积和门控激活单元相结合,提取时间特征。PGCN 具有逐步适应输入数据的能力,使模型在不同的研究场所具有稳健性,并在各种几何性质的实际交通数据集上实现了最先进的性能。
Feb, 2022
本文提出了一种新颖的动态频域图卷积网络 (DFDGCN),用于捕捉交通数据中的空间依赖性,通过傅里叶变换来缓解时间偏移的影响,结合静态预定义和自适应图,通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明,我们的模型具有有效性,并且优于基准模型。
Dec, 2023
提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络,用于改善高速公路交通中的交通流量预测,通过注意力机制有效地整合了三种时间分辨率的数据序列,动态创建多动态图以结合动态特征,引入专注于高相关节点的门控核以减少图卷积操作的过拟合,实验证明该方法优于现有技术基线。
Sep, 2023
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
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
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