Apr, 2021

用于交通预测的动态图卷积循环神经网络：基准和解决方案

PDF
TL;DR文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。
traffic predictionsmart citiesrnngraph convolutiondynamic graph
发现论文，激发创造
  • 基于注意力的动态图卷积循环神经网络在高速公路交通流预测中的应用

    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

  • 动态因果图卷积网络用于交通预测

    通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

    Jun, 2023

  • 扩散卷积循环神经网络：基于数据的交通预测

    本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

    Jul, 2017

  • Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

    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

  • 基于小波灵感的多尺度图卷积循环网络用于交通预测

    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

  • 交通预测的时序图学习循环神经网络

    通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

    Jun, 2024

  • 沿途了解：以道路能力为驱动的图卷积网络在全网络交通预测中的应用

    本研究介绍了道路容量驱动的图卷积网络（RCDGCN）模型，该模型在时空环境中结合静态和动态道路容量属性，用于预测整个网络的交通状态，并在实际数据集上进行了评估。结果显示，RCDGCN 在预测准确性方面优于基线方法，并通过各种分析表明了容量相关因素的影响。该研究展示了 RCDGCN 在交通系统管理方面的潜力。

    Jun, 2024

  • 动态频域图卷积网络用于交通预测

    本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

    Dec, 2023

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    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

  • 利用图神经网络的迁移学习进行短期高速公路交通预测

    本研究对基于扩散卷积循环神经网络的高速公路网络预测进行了转移学习，从而可以通过少量数据预测未知区域的交通情况，并在加利福尼亚高速公路网络上进行了测试。

    Apr, 2020