学习记忆模式：用于交通预测的模式匹配记忆网络

ICLROct, 2021

学习记忆模式：用于交通预测的模式匹配记忆网络

Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting

Hyunwook Lee, Seungmin Jin, Hyeshin Chu, Hongkyu Lim, Sungahn Ko

TL;DR提出了一种新的交通预测方法，将预测问题转化为模式匹配任务，通过构建一种新型的交通预测模型，即模式匹配记忆网络（PM-MemNet），该模型能够通过键值存储结构将数据与代表性模式进行匹配来进行预测，并且利用了图卷积和注意力机制的增强存储器结构来建模路况的时空相关性。实验结果表明，PM-MemNet 比现有的模型更准确，并具有更高的响应性。

Abstract

traffic forecasting is a challenging problem due to complex road networks and sudden speed changes caused by various events on roads. A number of models have been proposed to solve this challenging problem with a focus on learning spatio-temporal dependencies of roads. In this work, we

traffic forecasting pattern matching memory networks spatio-temporal correlation graph convolution

发现论文，激发创造

揭示人类动作模式：基于模式记忆的扩散模型的轨迹预测

基于记忆的 Motion Pattern Priors Memory Network 方法通过构建从训练集轨迹中观察到的运动模式的聚类先验知识构成的记忆库，并引入地址机制来检索匹配的模式和每个预测的潜在目标分布，从而使得在真实世界场景中的不确定性下，准确地预测人类行为轨迹成为可能。

Jan, 2024

基于图形关联的交通领域特征模式检索

交通数据的快速增长为揭示有关交通动态的更深入信息提供了许多机会，但也需要一个有效的数据库管理系统，其中信息检索是一个重要的功能。本文提出了一个用于高速公路交通拥堵的时空模式的基于内容的检索系统。

Nov, 2023

交通预测的时空元图学习

本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

Nov, 2022

智慧城市中使用深度循环神经网络进行交通模式分类

本研究提出了一种使用深度递归神经网络来分类智能城市交通模式的新方法，该方法可以有效捕捉交通模式的动态和时序特征，实验证明该模型在准确度、精确度、召回率和 F1 得分等方面优于现有方法，并对结果进行深入分析并讨论了其对智能城市的影响，结果显示该模型能以高达 95% 的精确度准确分类智能城市的交通模式，同时在真实的交通模式数据集上评估了该模型并与现有分类方法进行了比较。

Jan, 2024

基于记忆网络的多元时间序列预测解决方案

提出了一种名为基于记忆的时序网络的深度学习模型，具有较强的可解释性，旨在解决传统方法无法捕捉复杂模式或在多重变量中融合信息的问题。

Sep, 2018

基于图学习框架的人类移动性探索与多模式乘客预测

提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架（MPGCN），该框架从定点巴士记录数据中提取人类移动知识，以预测巴士乘客流量和优化路线，实验结果表明该方法具有潜在的实际应用价值。

Feb, 2022

跨城市少样本交通预测基于交通模式库

本文介绍了一个通过交通模式数据库的跨城少样本交通预测框架，该框架利用了不同城市之间的交通模式相似性，通过聚类生成交通模式数据库，然后利用数据稀缺城市的交通数据查询该数据库，构建它们之间的显式关系，最后基于这些关系构建邻接矩阵指导一个时间空间模型进行交通预测，并且通过实验证明了该方法在跨城少样本交通预测中的有效性。

Aug, 2023

跨城市少样本交通预测的多尺度交通模式库

交通预测对智能交通系统至关重要，而许多城市由于设备支持有限而缺乏足够的数据，这给交通预测带来了重大挑战。我们提出了一个解决跨城少样本交通预测问题的解决方案，名为多尺度交通模式库 (MTPB)。通过利用数据丰富的源城市，MTPB 通过空时感知的预训练过程有效地获取综合的交通知识，并使用先进的聚类技术系统地生成来自学到的知识的多尺度交通模式库。实证评估结果表明，MTPB 在真实世界交通数据集上具有出色的性能，在各个类别上超越了现有方法，并展现了对跨城少样本预测方法推进的诸多优点。

Feb, 2024

用于交通预测的消息传递神经网络

本文探讨了在交通预测中基于道路网络建模的方法并提出一种基于信息传递的图神经网络来捕捉节点之间的互动，使用真实数据和合成数据的试验表明该方法在交通预测中具有优越性。

May, 2023

用于交通预测的图神经网络：综述

本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

Jan, 2021