Feb, 2022

域对抗时空网络：一种适用于跨城市短期交通预测的可迁移框架

PDF
TL;DR该论文提出了一种新的可迁移交通预测框架 —— 域对抗时空网络（DASTNet），该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入，并将其进一步融入到模型中来进行时空交通数据建模。在三个基准数据集上的实验表明，DASTNet 始终优于所有最先进的基线方法。
traffic forecastintelligent transportation systemssmart mobility applicationstransferable frameworkadversarial domain adaptation
发现论文，激发创造
  • 鲁棒性强的时空交通预测与强化动态对抗训练

    提出机器学习方法用于交通预测时的防御措施，包括加强动态防御能力和降低模型过拟合；在真实交通数据集上验证其优于其他基线模型的表现，并有效地提高交通预测模型的防御能力。

    Jun, 2023

  • 时空交通预测模型的实践性对抗攻击

    本文研究了机器学习在交通预测模型中的漏洞，提出了一个实用的敌对空间时间攻击框架，该框架通过迭代渐变引导节点显著性方法来识别受害节点的时间相关集，进而设计一种空间时间渐变下降算法来生成有实值的敌对交通状态，并在两个实际数据集上进行了广泛的实验。结果表明，该攻击框架达到了各种先进空间时间预测模型高达 67.8% 的性能降级，同时展示了在我们提议的攻击训练下的算法的鲁棒性的显著提高。

    Oct, 2022

  • 交通流预测的自适应图空时转换网络

    该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

    Jul, 2022

  • 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

  • 基于空间 - 时间图扩散网络的交通流量预测

    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。

    Oct, 2021

  • 通过注意力共享进行时间序列预测的域自适应

    提出了一种新颖的域适应预测框架（Domain Adaptation Forecaster，DAF），该框架利用统计上的优势，从具有大量数据样本的相关领域（源）汲取经验，从而提高目标领域（带有有限数据量的）的性能，实现了对源和目标域的联合培训，并展示了在各种领域上的出色表现。

    Feb, 2021

  • ICST-DNET：基于因果时空扩散网络的交通速度预测

    交通速度预测对智能导航和缓解拥堵至关重要。本文提出了一种名为 ICST-DNET 的新型交通速度预测架构，综合考虑了交通扩散、交通数据解释性不好、交通速度波动等因素。经过广泛实验验证，ICST-DNET 表现优于现有基线，具有更高的预测准确性、解释因果关系的能力和适应不同场景的能力。

    Apr, 2024

  • 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

  • 在线测试时空交通流预测的自适应

    本研究介绍了一种用于空间 - 时间交通流预测问题的在线测试时适应技术，提出了自适应双重修正的系列分解（ADCSD）方法，通过两个独立的模块对已训练模型的输出进行季节和趋势周期分解，并在每次观测到数据条目时使用最新观测数据进行修正。该方法在四个真实世界交通流预测数据集上进行了广泛实验，证明了其有效性。

    Jan, 2024

  • 使用深度时空神经网络进行长期移动流量预测

    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