基于图卷积神经网络的交通预测性能的逐步提升
提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型,能够准确捕捉交通数据的空间相关性和多尺度结构,并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。
Jan, 2024
通过使用多尺度图小波时域卷积网络 (MSGWTCN) 模型,同时捕捉不同层次的空间信息和提取数据的时间依赖性,可以更好地预测复杂交通网络中的交通状态,并在实验中证明了该模型的卓越表现。
Jun, 2024
本文介绍了一种新型的图神经网络,Graph WaveNet,它采用了自适应依赖矩阵和扩张卷积组件,能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列,通过在两个公共交通网络数据集中的实验结果,证明了我们算法的优越性。
May, 2019
该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构:图卷积网络(Graph Convolutional Networks),图采样和聚集(Graph Sample and Aggregation)以及门控图神经网络(Gated Graph Neural Networks)。研究结果显示,GGNNs 是三个模型中最有效的选择,通过均方根误差和平均绝对误差(MAE)展现了预测性能,GCNs 的均方根误差为 9.10,平均绝对误差为 8.00,而 GraphSAGE 显示出改进,均方根误差为 8.3,平均绝对误差为 7.5。门控图神经网络(GGNNs)表现出最低的均方根误差,为 9.15,令人印象深刻的平均绝对误差为 7.1,使其成为最佳选择。
Oct, 2023
我们提出了一种图波形神经网络(GWNN),通过使用图小波变换来解决以往依赖于图傅里叶变换的图谱卷积神经网络(CNN)方法的缺点,这些方法需要进行高计算成本的矩阵特征分解。与图傅里叶变换不同的是,图小波变换可以通过快速算法获得,无需矩阵特征分解。此外,图小波在顶点域中稀疏且局部化,可以提供高效性和良好的图卷积可解释性。经过实验,GWNN 在三个基准数据集上均明显优于以往的图谱 CNNs,在图半监督分类任务上具有更好的性能。
Apr, 2019
本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化,实验结果表明该模型在多个基准数据集上的表现优异。
Nov, 2022
本研究提出了一种基于多尺度波形变换和时空约束的交通流量预测方法,使用 Motif-GCRNN 和 ARMA 预测不同频率分量的交通速度,并在成都的一个交通数据集上进行了实验,证明这种方法在交通预测方面的有效性。
Apr, 2019
交通预测是智能交通系统中的一个基本问题。本文提出了一种名为 Meta Attentive Graph Convolutional Recurrent Network(MAGCRN)的新型交通预测模型,该模型能够捕捉全局节点特定模式和短期与长期依赖关系,实验证明其在短期和长期预测上均优于现有模型。
Aug, 2023
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
该论文提出了一种新颖的自适应图卷积网络(AGC-net),通过自适应图卷积(AGC)和一种上下文关注机制,将空间图表达转换为实时特征,考虑到时间上下文,在公共交通数据集上展现了其明显的优于基础模型的有效性。
Jul, 2023