城市空气污染预测的时空图卷积循环神经网络模型
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
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
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018
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
本文提出了一个新的深度学习框架,名为 3D-TGCN,它通过与传统空间信息不同的方式构建道路图,并提出了一个 3D 图卷积模型来更准确地模拟时空数据,并在实证结果中取得了优于现有基线的未来交通预测精度。
Mar, 2019
本研究提出了一种基于群组感知的图神经网络 (GAGNN) 模型,用于预测全国城市的空气质量,该模型通过构建城市图和城市群组图来建模城市之间的空间和潜在依赖关系,并采用消息传递机制来模拟城市和城市群组之间的依赖关系,实验证明该模型优于现有的预测模型。
Aug, 2021
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
本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network(PGCN),它通过在训练和测试阶段逐步适应输入数据来构建一组图形,并与扩张因果卷积和门控激活单元相结合,提取时间特征。PGCN 具有逐步适应输入数据的能力,使模型在不同的研究场所具有稳健性,并在各种几何性质的实际交通数据集上实现了最先进的性能。
Feb, 2022
本文提出自适应图卷积循环神经网络 AGCRN,其中包括两个自适应模块(节点自适应参数学习模块和数据自适应图生成模块),用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明,AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。
Jul, 2020
本文提出了一种基于多图卷积网络 (MGCN) 的三维人体姿势预测方法,该方法结合自然结构和序列注意力,同时捕获空间和时间信息,并在人体运动预测的基准数据集上表现出比现有方法更好的效果。
Apr, 2023