Apr, 2023

通过循环图注意力网络检测社交不规范的公路驾驶行为

PDF
TL;DR本研究提出了基于自编码器和循环图注意力网络的异常驾驶行为检测方法，可以检测到在各种车辆交互和时空变化下，与周围车辆有所偏差的异常现象，其效果在仿真和实际交通数据上都获得了最佳表现。
internet of thingstraffic monitoringanomaly detectiondriving behaviorsautoencoder
发现论文，激发创造
  • 基于注意力的动态图卷积循环神经网络在高速公路交通流预测中的应用

    提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络，用于改善高速公路交通中的交通流量预测，通过注意力机制有效地整合了三种时间分辨率的数据序列，动态创建多动态图以结合动态特征，引入专注于高相关节点的门控核以减少图卷积操作的过拟合，实验证明该方法优于现有技术基线。

    Sep, 2023

  • 基于注意力的社交图变换网络用于随机轨迹预测

    提出了一种关注社交图转换网络的多模态轨迹预测方法，它结合了图卷积网络和 Transformer 网络，并通过生成稳定分辨率的伪图像来处理空时图，还设计了关注社交交互信息的模块。实验证明该模型在多个度量指标上最大限度地降低了位移误差，并显著减少碰撞的可能性，同时具备长时间预测的能力。

    Dec, 2023

  • 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

  • 探索注意力 GAN 用于车辆运动预测

    本研究使用自注意力模块来计算社交和物理上下文情境，采样白噪声，探索了生成模型中注意力的影响，并在 Argoverse 运动预测基准 1.1 上取得了竞争力的单峰结果。

    Sep, 2022

  • 利用图卷积循环网络准确检测危险驾驶行为以增强道路安全

    提出了一种基于图卷积长短期记忆网络模型的可靠的驾驶行为检测系统，它使用公共传感器增强了传感器数据模型的精度和实用性。同时，我们引入了非公共传感器用于评估模型的有效性，结果显示该模型在两种情况下的准确率均表现出一致性和高精度，这个系统可以有效地检测危险和不安全的驾驶行为，具有提高道路安全性和减少由驾驶员错误引起的事故的潜在应用。

    May, 2023

  • 使用图神经网络检测上下文网络异常

    利用图神经网络（GNN）检测网络流量异常

    Dec, 2023

  • 用于车道智能模拟和拓扑无关的交叉路口交通网络注意力机制

    该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

    Apr, 2024

  • 用于结构化在线地图的分层循环注意力网络

    通过层级循环网络输出结构化多段线，我们提出了一种用于在线道路网络提取的方法，并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明，该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。

    Dec, 2020

  • 基于表示学习和基于组的训练的无监督驾驶行为分析

    本文使用多层 seq-2-seq 自动编码器以及分层聚类来进行精确的驾驶模式分析，得出特定训练数据集的可靠分类器。研究表明，该方法显著优于基准性能。

    May, 2022

  • 车道关注：通过学习车道上的注意力预测车辆的运动轨迹

    通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

    Sep, 2019