FC-GAGA:用于时空交通预测的完全连接门控图形架构
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
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018
本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测,该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点,并在实验中证明了其超越了现有模型,同时减少了培训时间。
Apr, 2021
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
提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架,通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系,用于多步骤的时空预测。实验证明,TGCRN 能够推进现有技术的发展,并提供了详细的消融研究和可视化分析,深入揭示了时间感知结构学习的有效性。
Dec, 2023
本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测,该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷,还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系,并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性,实验结果表明,与其他交通预测技术相比,该方法在四个大规模真实世界交通数据集上实现了最先进的性能。
May, 2022
本论文提出了一种新的深度学习模型 Balanced Graph Structure Learning for Forecasting(BGSLF),该模型结合了图结构学习和预测,并通过引入 Multi-Graph Generation Network 和 Graph Selection Module 平衡了效率和灵活性的权衡,并在真实世界的四个数据集上进行了广泛的实验,取得了最新的性能表现。
Jan, 2022
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