基于稀疏数据建模网络级流量转移
本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型,通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒,以预测城市细粒度交通流量,并在实验中证明了该模型优于现有方法。
Jun, 2023
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
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
使用 TraffNet 这一深度学习框架,通过车辆轨迹数据学习交通流量的因果关系,支持基于时机的决策制定并验证其有效性。
Mar, 2023
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
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。
Jul, 2022
本文提出了一种新颖的动态图卷积神经网络,采用时空关注融合的方法,全面地模拟了长距离和多尺度的时空模式,取得了 22 种基线模型之外的最先进表现。
Feb, 2023