KDDAug, 2022

基于空间 - 时间图神经网络的稀疏旅行需求预测的不确定性量化

PDF
TL;DR本研究针对细粒度的 OD 矩阵的稀疏性和不确定性问题，设计了一种基于空间 - 时间零膨胀负二项式图神经网络 (STZINB-GNN) 方法，通过扩散和时间卷积网络分析空间和时间相关性，并融合以参数化出行需求的概率分布，提高了预测精度和可解释性。实验结果在高空间 - 时间分辨率下表现出了该方法的优越性。
发现论文，激发创造
  • 利用时空 Tweedie 模型进行 0 膨胀和长尾旅行需求预测的不确定性量化

    介绍了一种名为空间 - 时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

    Jun, 2023

  • 时空图神经网络的不确定性量化用于交通事故风险预测

    在本研究中，我们引入了时空零膨胀 Tweedie 图神经网络 (STZITD-GNNs)，该模型将传统统计模型的可靠性与图神经网络的灵活性相结合，旨在准确量化与道路级交通事故风险相关的不确定性，并在捕捉数据集的倾斜分布方面起到了积极的作用，特别是对于罕见但具有影响力的严重事故。经过使用来自英国伦敦的真实交通数据的实证测试，证明了我们的模型在超过当前基准之上在短期（7 天）和长期（14 天）时间范围内的鲁棒预测能力。

    Sep, 2023

  • 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

  • 基于线图神经网络和卡尔曼滤波的动态起终点矩阵预测

    本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。

    May, 2019

  • 面向交通流预测的时空图 ODE 网络

    本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

    Jun, 2021

  • 出租车起止点需求预测的上下文时空网络

    本文提出了一种基于 Contextualized Spatial-Temporal Network（CSTN）的出发地 - 目的地预测模型，其中包括 LSC 模块、TEC 模块和 GCC 模块，主要用于预测出未来时间间隔内的各个区域之间的出租车需求情况，并且在大规模数据集上的实验证明了 CSTN 模型具有很好的预测性能。

    May, 2019

  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 基于时空融合的图神经网络用于交通流量预测

    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

  • 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