AAAIOct, 2021

基于空间 - 时间图扩散网络的交通流量预测

PDF
TL;DR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。
traffic flowspatial-temporal miningtraffic predictiongraph neural architecturemulti-level temporal dynamics
发现论文，激发创造
  • DST-GTN：动态时空图转换网络用于交通预测

    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

  • 交通预测的时空交互动态图卷积网络

    提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

    May, 2022

  • 基于时空融合的图神经网络用于交通流量预测

    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

  • 交通流量预测的时空转换网络

    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

  • STG4Traffic: 交通预测的时空图神经网络调查和基准评估

    本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

    Jul, 2023

  • 面向交通流预测的时空图 ODE 网络

    本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

    Jun, 2021

  • STGC-GNNs：一种基于 GNN 的交通预测框架，使用时空 Granger 因果图

    本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

    Oct, 2022

  • 时空图卷积网络：用于交通预测的深度学习框架

    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

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024