深度时空神经网络用于点击率预测
提出了一种基于运动预测领域知识的网络网格表示方法,将网络整体交通速度转换为静态图像,并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs),可以用于交通预测,实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。
May, 2017
本文提出了基于双阶段两阶段模型的循环神经网络以及基于深度空间注意机制的深度双阶段两阶段模型,用于解决长期多元时间序列预测的问题,并在能源、金融、环境和医药等领域的四个数据集上,与九种基准方法相比展现出更好的性能。
Apr, 2019
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
本文提出一种空间 - 时间动态网络(STDN)进行交通预测,该网络引入流量控制机制来学习位置之间的动态相似性,设计周期移位关注机制来处理长期周期性时间移位,并在实际交通数据集上进行实验验证。
Mar, 2018
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
交通速度预测对智能导航和缓解拥堵至关重要。本文提出了一种名为 ICST-DNET 的新型交通速度预测架构,综合考虑了交通扩散、交通数据解释性不好、交通速度波动等因素。经过广泛实验验证,ICST-DNET 表现优于现有基线,具有更高的预测准确性、解释因果关系的能力和适应不同场景的能力。
Apr, 2024
该论文介绍了一种新的框架 PSTA-TCN,该框架将并行时空关注机制与轴承温网络相结合,从而达到了更长的记忆,并且使用并行计算大大缩短了训练时间,可以更好地用于多元时间序列预测任务。
Mar, 2022
本文提出了一种基于空间和时间深度表示学习的深度知识追踪模型,该模型可以在教育系统中更好地预测学生的学习表现,并且通过在多个公共教育数据集上的实验证明了其优于现有模型的预测效果。
Feb, 2023
本文提出了一种基于 Contextualized Spatial-Temporal Network(CSTN)的出发地 - 目的地预测模型,其中包括 LSC 模块、TEC 模块和 GCC 模块,主要用于预测出未来时间间隔内的各个区域之间的出租车需求情况,并且在大规模数据集上的实验证明了 CSTN 模型具有很好的预测性能。
May, 2019