Dec, 2022

MegaCRN: 基于元图卷积循环神经网络的时空建模

PDF
TL;DR本研究提出了一种新颖的基于 Meta-Graph 学习的图结构学习机制，应用于时空数据的图卷积循环网络中，成功地解决了非平稳现象问题，并在两个基准数据集（METR-LA 和 PEMS-BAY）和一个包含各种非平稳现象的大规模时空数据集上的实验中获得了优异的预测效果。
spatio-temporal modelinggraph streamsmeta-graph learningconvolutional recurrent networknon-stationary phenomena
发现论文，激发创造
  • 交通预测的时空元图学习

    本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

    Nov, 2022

  • 元注意图卷积循环网络用于交通预测

    交通预测是智能交通系统中的一个基本问题。本文提出了一种名为 Meta Attentive Graph Convolutional Recurrent Network（MAGCRN）的新型交通预测模型，该模型能够捕捉全局节点特定模式和短期与长期依赖关系，实验证明其在短期和长期预测上均优于现有模型。

    Aug, 2023

  • 利用图卷积循环神经网络进行结构化序列建模

    本文介绍了图卷积循环网络（GCRN），这是一种深度学习模型，能够预测结构化数据序列。GCRN 是经典递归神经网络（RNN）在任意图结构数据上的泛化。该模型将图上的卷积神经网络 (CNN) 与 RNN 相结合，以找出动态模式和空间结构，并将其应用于 MNIST 数据预测和 Penn Treebank 数据集的自然语言建模。实验表明，同时利用数据的图空间和动态信息可以提高精度和学习速度。

    Dec, 2016

  • 基于注意力机制的时空图卷积循环神经网络用于交通预测

    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

  • 时空元对比学习

    提出了一种新的空间 - 时间对比学习（CL4ST）框架，通过 STG 的扩充范式来编码稳健和可推广的 STG 表示，实验证明 CL4ST 在交通和犯罪预测方面明显优于各种最先进的基准模型。

    Oct, 2023

  • 基于小波灵感的多尺度图卷积循环网络用于交通预测

    提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型，能够准确捕捉交通数据的空间相关性和多尺度结构，并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。

    Jan, 2024

  • 学习时间感知图结构进行空间相关时间序列预测

    提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

    Dec, 2023

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • 基于时空图的行人轨迹预测的元路径分析

    本文提出了一种基于元路径的特征提取方法，用于改善现有 ST-graph 模型在交通预测、人体动作建模等领域表现不佳的问题，并在行人轨迹预测任务中应用，实现了比传统方法高 32% 的预测精度及更为社交化的轨迹。

    Feb, 2022

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021