基于图的多头注意力网络GMAN用于交通预测
本研究提出了Traffic Transformer模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
本研究利用四个真实世界的数据集,对四种深度神经网络模型进行了深入比较研究,探讨了它们各自利用不同基本元素(图卷积,图注意力,循环单元或注意机制)对交通预测问题的性能影响。结果表明,使用图注意力的基础模型在长期预测中表现更好,对于RNN-based模型选择图卷积和图注意力有着更大的影响,并且我们发现,我们修改后的GMAN在内存消耗更少的情况下表现出与原始模型相当的性能。
Nov, 2021
本研究提出了一种新的空间-时间神经网络体系结构,称为Spatial-Temporal Graph-Informer (STGIN),通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取,以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证,表明这种模型具有长序列预测能力。
Oct, 2022
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
本文提出了一种新的空间-时间神经网络框架ASTGCRN,其中包括图卷积循环模块GCRN和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
Feb, 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
提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测,结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息,并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉,实验结果表明,该模型的预测准确性优于其他二十种基准方法。
Oct, 2023
该论文介绍了一种新颖的交通预测框架,它包括两个核心组件:空间-时间图递归神经网络和全局感知层。通过引入序列感知图神经网络,该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知,该框架还设计了三种独特的全局空间-时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。
Jan, 2024