NodeTrans: 一种用于交通预测的图传递学习方法

Jul, 2022

NodeTrans: 一种用于交通预测的图传递学习方法

NodeTrans: A Graph Transfer Learning Approach for Traffic Prediction

Xueyan Yin, Feifan Li, Yanming Shen, Heng Qi, Baocai Yin

TL;DR本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题，该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式，并在真实数据集上验证了其有效性。

Abstract

Recently, deep learning methods have made great progress in traffic prediction, but their performance depends on a large amount of historical data. In reality, we may face the data scarcity issue. In this case, deep lea

deep learning transfer learning traffic prediction graph neural network few data

发现论文，激发创造

基于互信息的迁移学习交通预测方法

TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

Mar, 2023

利用图神经网络的迁移学习进行短期高速公路交通预测

本研究对基于扩散卷积循环神经网络的高速公路网络预测进行了转移学习，从而可以通过少量数据预测未知区域的交通情况，并在加利福尼亚高速公路网络上进行了测试。

Apr, 2020

使用 Transformer 学习动态和分层交通时空特征

本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

Apr, 2021

可迁移的 GNN 自适应轨迹预测

提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

Mar, 2022

DeepTransport: 学习交通状况预测的时空依赖关系

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

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

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

交通预测的时序图学习循环神经网络

通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

Jun, 2024

基于迁移学习的有限训练数据下高效交通预测

研究了深度迁移学习技术在具有不足历史数据的交通预测中的表现，使用源域中的最佳模型进行目标域预测，结果表明，迁移学习可减少执行时间并提高模型的准确性。

May, 2022

多图时空图卷积网络用于交通流量预测

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023