事件感知多模式出行即时预测
提出了一种名为 FusionTransNet 的框架,用于智能和多模式城市交通系统中的起讫流量预测,该框架包含三个核心组件:Intra-modal 学习模块、Inter-modal 学习模块和预测解码器,通过分析和整合多种交通模式之间的复杂时空交互作用,生成准确的起讫流量预测。
May, 2024
传统交通预测基于传感器数据的范围有限,综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案,使用网络活动计数,但缺乏关键的方向性。因此,我们提出了 TeltoMob 数据集,其中包含无向电信计数和相应的方向流,以预测道路上的方向性移动流。为了解决这个问题,我们提出了一个两阶段的时空图神经网络(STGNN)框架。第一阶段使用预训练的 STGNN 处理电信数据,而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性,并证实了其有效性。我们还展示了如何将该框架融入现实交通系统,以增强可持续城市移动性。
May, 2024
本研究通过复制现有的最先进(SOTA)时空转换器模型,以尽可能符合计算限制,并批判性评估现有模型架构的优势和改进机会,以解决实时推理速度挑战,并在空间 - 时间 (ST) 关注层中引入专家混合 (MoE) 块来提高模型容量和降低推理成本。
May, 2024
通过自监督学习提出了一种新的多模态时空学习框架,称为 MoSSl,旨在从时间、空间和模态角度揭示潜在模式,并量化动态异质性。实验结果验证了我们方法相对于现有基线的优越性。
May, 2024
该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架,用于在城市的出租车运营中预测需求,包括空间和时间相关性,并借助大数据的支持,提高了交通预测问题的效果。
Feb, 2018
准确预测交通流量对于公共安全和智能交通系统等应用至关重要,本文通过提出一种名为多通道时空网络(MVC-STNet)模型的深度学习方法来解决多通道交通流预测的问题,该模型考虑了不同交通观测对交通流预测的不同影响,并在实验中取得了比现有方法更好的预测性能。
Apr, 2024
本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络(STN)结构和双 STN 技术(D-STN),通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验,证明了所提出的(D-)STN 方法可以实现高达 10 小时的精确预测,并且与其他流行的预测方法相比,可以获得高达 61% 的更小预测误差。
Dec, 2017
介绍了一种新颖的框架,即空间 - 时间多粒度框架 (STMGF),用于提高对交通网络中长距离和长期信息的捕捉,该框架通过以分层交互方式收集信息,利用交通序列中的固有周期性与最近交通数据进行匹配以改善预测结果,并在两个真实数据集上的实验表明 STMGF 胜过所有基准模型,达到最新的性能水平。
Apr, 2024
该研究提出了一种新的虚拟图建模方法和深度多视角时空虚拟图神经网络框架,以增强城市范围打车需求预测的空间动态学习能力和时间依赖性,实验证明该框架在细粒度预测场景中具有效力和优越性。
Jul, 2020
提出了一种用于同时多事件预测的新神经结构,利用 transformers、normalizing flows 和 probabilistic layers,以实现 spatio-temporal Hawkes 过程的批量复杂历史相关的未来离散事件分布预测,取得了包括南加州地震,Citibike,Covid-19 和 Hawkes 合成风车数据集在内的各种基准数据集的最新性能。
Nov, 2022