自适应混合空间 - 时间图神经网络用于移动通讯流量预测
本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准,以评估其在两种类型的交通数据集上的性能,并讨论未来的研究方向。
Jul, 2023
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
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
本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测,该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点,并在实验中证明了其超越了现有模型,同时减少了培训时间。
Apr, 2021
本文提出了一种称为简化空时交通预测 GNN 的模型,它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性,并使用简单而有效的加权空时聚合机制捕获时间依赖性,而且使用了一种新颖的位置编码方案来捕获周期性的交通模式,实验表明该模型优于最先进的交通预测模型。
Mar, 2021
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
从电信角度看,用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察,并建议最优分配策略。最近,使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而,现有的研究借鉴了道路流量预测的方法,忽视了基站的动态部署和移除,要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型,可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习,使其适用于不同领域。实验结果表明,在稀缺数据的情况下,与最先进技术相比,性能提升高达 9.8%,特别是当训练数据减少到 20%以下的情况。
May, 2024