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
本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN,其中包括图卷积循环模块 GCRN 和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
Feb, 2023
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
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
本研究提出了一种名为自适应混合时空图神经网络 (AHSTGNN) 的网络架构,用于解决基于时空模式的移动通信网络中的流量预测问题。实验结果表明,AHSTGNN 模型在两个真实的移动通信数据集上性能优于现有的预测方法。
该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。
Jun, 2023
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
本文提出了一个新的空间 - 时间因果图注意网络(STCGAT)用于交通预测,采用节点嵌入方法在每个时间步骤自适应生成空间相邻子图,以建模全局空间和时间依赖性,并提出了一种高效的因果时间相关组件,包含节点自适应学习,图卷积和本地和全局因果时间卷积模块,共同学习本地和全局空间 - 时间依赖性,实验结果表明 STCGAT 模型始终优于所有基线模型。
Mar, 2022
本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测,该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷,还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系,并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性,实验结果表明,与其他交通预测技术相比,该方法在四个大规模真实世界交通数据集上实现了最先进的性能。
May, 2022