CVPRMar, 2023

揭示缺失的模式：面向轨迹填补和预测的统一框架

PDF
TL;DR本篇论文介绍了一种新的方法 —— 基于图的条件变分循环神经网络 (GC-VRNN)，它可以同时执行轨迹插补和预测，能够从不完整的观测中提取空间特征并利用丢失的数据。我们还设计了适用于时序数据的渐进式记忆模块，以获取缺失信息。通过大量实验，验证了我们的方法的出色性能。此外，本论文还提供了三种实践数据集，并对轨迹插补和预测的联合问题进行了评估。
发现论文，激发创造
  • 用于多变量时间序列的循环神经网络，含缺失值

    本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

    Jun, 2016

  • 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

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 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

  • AC-VRNN: 基于注意力机制的条件多变量循环神经网络用于多目标轨迹预测

    本文提出了一种基于条件变分递归神经网络（C-VRNN）的生成式架构，用于多未来轨迹预测，在密集场景中有效地建模人类动作，并进行了公开数据集的广泛实验，证明了其在比较现有先进技术下的有效性。

    May, 2020

  • 基于位置感知图增强变分自编码器的网络时间序列插值

    本文提出了一种名为 PoGeVon 的模型，基于 VAE，利用基于随机游走的节点位置嵌入和多任务学习的三阶段预测，对存在节点特征和图结构上的缺失值的网络化时间序列进行了精确的缺失值预测和图结构重构。

    May, 2023

  • ImputeFormer: 用于可推广的时空插补的图变换器

    这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

    Dec, 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

  • 利用图卷积神经网络进行交通预测的研究 - 缺失值处理

    本研究提出了一种基于图卷积网络和动态图学习模块的方法（GCN-M），用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。

    Dec, 2022

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 2022