利用多流信息融合进行低照度情况下的轨迹预测：一种多通道图卷积方法

Nov, 2022

利用多流信息融合进行低照度情况下的轨迹预测：一种多通道图卷积方法

Leveraging Multi-stream Information Fusion for Trajectory Prediction in Low-illumination Scenarios: A Multi-channel Graph Convolutional Approach

PDF

Hailong Gong, Zirui Li, Chao Lu, Guodong Du, Jianwei Gong

TL;DR本文提出了一种多通道图卷积网络的方法来处理低光照环境下的自动驾驶车辆轨迹预测问题，并在城市路口场景的数据集上进行了验证。

Abstract

trajectory prediction is a fundamental problem and challenge for autonomous vehicles. Early works mainly focused on designing complicated architectures for deep-learning-based prediction models in normal-illumination environments, which fail in dealing with low-light conditions. This p

trajectory prediction autonomous vehicles multi-stream fusion low-illumination scenarios graph convolutional networks

发现论文，激发创造

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

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

基于时空注意力融合的动态图卷积网络用于交通流量预测

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

基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

Sep, 2023

卷积神经网络用于轨迹预测

本文提出了一种卷积神经网络（CNN）人类轨迹预测方法，相比于当前的方法更加快速但仍保持具有竞争力的结果，这对于共享人类环境的自主机器人与人类之间的精确和高效互动至关重要。

Sep, 2018

基于时序图神经网络的交互感知个性化车辆轨迹预测

利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

基于多图卷积神经网络模型的信号化路口短期转向动作预测

交通流量预测是智能主动交通管理的关键第一步。本研究引入了一种新型的深度学习架构，称为多图卷积神经网络（MGCNN），用于交叉口的转弯动作预测，并通过在时间和空间上建模交通数据的变化来改善预测性能。在实验中，该模型在对比其他四种基准模型的情况下表现出更好的预测结果，平均均方误差（MSE）为 0.9。

Jun, 2024

基于卷积社交池化的车辆轨迹预测

使用卷积社交汇集的 LSTM 编码器 - 解码器模型可以使得机器人更好地学习掌握复杂路况下的周围车辆的运动，并在多种交通场景中获得了不错的预测效果。

May, 2018

混合时空图卷积网络：利用导航数据改善交通预测

提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

Jun, 2020

时空图卷积网络：用于交通预测的深度学习框架

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017