May, 2022

ST-ExpertNet：一种用于交通预测的深度专家框架

PDF
TL;DR该论文提出了一种可解释的框架 ST-ExpertNet，基于 MoE 训练了一组功能专家，以应对在城市的不同流量模式。作者在北京和纽约的真实出租车和自行车数据集上进行了实验，结果表明该框架在可解释性和表现方面都卓越于其他网络结构。
crowd flow forecastingspatial-temporal modelmixture of expertsfunctional expertsflow patterns
发现论文，激发创造
  • 使用深度时空残差网络预测城市全局人流量

    使用深度学习方法 ST-ResNet，可以应对众多影响人流量的因素，有效预测每个区域内的人流流入和流出情况，提升交通管理与公共安全。实验证明 ST-ResNet 在北京和纽约市的两种不同人流数据中及贵阳市实时系统中均优于传统九种算法。

    Jan, 2017

  • 城市范围人群流量预测的深度时空残余网络

    本文提出了一种基于深度学习的 ST-ResNet 方法，通过建立时空数据的端到端结构，动态聚合三个残差神经网络的输出，并结合天气、星期等外部因素对城市各个区域的人流量进行预测，其在北京和纽约的人流量预测方面表现优于已有的六种方法。

    Oct, 2016

  • 基于深度多视角通道级时空网络的交通流量预测

    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

  • 不同空间和时间粒度下群众流量预测的增强

    本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

    Mar, 2022

  • 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

  • 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

  • 超 ST-Net：用于时空预测的超网络

    本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

    Sep, 2018

  • 混合专家模型的持续交通预测

    交通流量预测在长期流式网络中的持续学习方面，我们通过将交通流量分割为多个同质化群体并分配专家模型负责特定群体这一创新的 Traffic Forecasting Mixture of Experts (TFMoE) 方法，强调了其在防止灾难性遗忘方面的有效性和效率。

    Jun, 2024

  • 城市交通拥堵预测的可扩展深度流量神经网络

    通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

    Mar, 2017

  • 交通流预测的交通枢纽感知时空自适应图变换器

    提出了一个用于交通流量预测的增量学习方法，通过设计一种空间自注意模块和时间自注意模块，同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系，并通过空间 - 时间知识蒸馏模块进行增量学习。

    Oct, 2023