交通流量预测的时空转换网络
基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测,能够有效地学习和提取交通流的复杂趋势和周期特征,实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。
Mar, 2024
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
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络(STN)结构和双 STN 技术(D-STN),通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验,证明了所提出的(D-)STN 方法可以实现高达 10 小时的精确预测,并且与其他流行的预测方法相比,可以获得高达 61% 的更小预测误差。
Dec, 2017
通过引入一种新型深度时空特征表示方法(动态时空特征)和捕捉交叉点之间动态时空关系的动态时空图变换网络(DST-GTN),该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。
Apr, 2024
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024
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
为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用,我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network(ST-GDN),该框架具有层次结构的图神经架构,不仅可以从局部角度学习区域地理依赖关系,而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络,以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。
Oct, 2021
利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性,该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性,利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性,并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外,考虑到时空异质性对交通速度的影响,我们设计了两个自监督学习任务来建模时空异质性,从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估,结果进行了可视化和分析,证明了所提模型的卓越性能。
Jan, 2024