使用 Transformer 学习动态和分层交通时空特征
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
本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性,其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性,并利用跨多个时间步骤的长程双向时间依赖性。实验证明,该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。
Jan, 2020
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
通过时空深度学习方法,提出了一个用于高速公路上每日交通流量预测的新方法,该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题,并基于图卷积网络构建了不同语义的网络来捕捉时空特征,同时利用气象和日历特征在全连接阶段提取交通流量的外部特征,经过大量实验证明该方法较基准模型在预测准确性方面有明显提升,并在商业领域带来实际效益。
Aug, 2023
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
提出了一个用于交通流量预测的增量学习方法,通过设计一种空间自注意模块和时间自注意模块,同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系,并通过空间 - 时间知识蒸馏模块进行增量学习。
Oct, 2023
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
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