利用空间对比预训练进行在训练数据中看不见的新道路的交通预测

May, 2023

利用空间对比预训练进行在训练数据中看不见的新道路的交通预测

Traffic Forecasting on New Roads Unseen in the Training Data Using Spatial Contrastive Pre-Training

Arian Prabowo, Wei Shao, Hao Xue, Piotr Koniusz, Flora D. Salim

TL;DR本论文介绍了一种新的设置，称为时空分裂，用于评估模型推广到未出现在训练数据中的新道路的能力，并提出了一种名为空间对比预训练的新型框架来从未见过的道路中提取潜在特征。 SCPT 框架不需要重新训练，在四个真实的数据集上实验结果表明，将 SCPT 添加到神经网络骨干中可以提高预测性能，特别是在进一步预测未来时提高更为显著。

Abstract

New roads are being constructed all the time. However, the capabilities of previous deep forecasting models to generalize to new roads not seen in the training data (unseen roads) are rarely explored. In this paper, we introduce a novel setup called a spatio-temporal (ST) split to evaluate the models' capabilities to generalize to unseen roads. In this setup

spatio-temporal split spatial contrastive pre-training latent node embeddings spatially gated addition layer forecasting performance

发现论文，激发创造

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

交通流量预测的时空转换网络

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

GPT-ST：时空图神经网络的生成式预训练

该研究提出了一个融入下游基线模型并提升其性能的时空预训练框架，其中包括一个时空蒙版自编码器和一个自适应蒙版策略，通过学习时空依赖关系和不同关系的建模，在交通管理和旅行规划方面取得了显著的效果。

Nov, 2023

使用图神经网络进行交通预测的统一时空建模

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

自监督去除时空偏移的对抗性分析：理论和建模

该研究论文提出了一种基于因果关系的理论解决方案，名为 “Disentangled Contextual Adjustment (DCA)”，以及一种名为 “Spatio-Temporal sElf-superVised dEconfounding (STEVE)” 的框架，用于处理 ST 交通预测中的分布变化问题，以提高预测性能。实验结果表明，STEVE 在各种不同的 ST 分布变化场景下始终优于现有技术基线。

Nov, 2023

时空图卷积网络：用于交通预测的深度学习框架

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

STS-CCL：城市交通预测的时空同步上下文对比学习

本文提出了一种基于空间 - 时间同步对比学习（STS-CCL）模型的高效方法，通过图数据的增强和同步对比模块实现了复杂的空间 - 时间表示的捕获，进而在交通预测任务中取得了优越的性能。

Jul, 2023

基于时空深度学习的高速公路交通量预测

通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

Aug, 2023

混合时空图卷积网络：利用导航数据改善交通预测

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

SEPT：面向运动预测的高效场景表示学习

该研究呈现了 SEPT，一个利用自我监督学习来开发复杂交通场景的强大时空理解能力的建模框架，其通过三个遮蔽 - 重构建模任务对包括车辆轨迹和道路网络在内的场景输入进行预训练，然后在下游预测任务上微调，实验证明 SEPT 在 Argoverse 1 和 Argoverse 2 运动预测基准测试中无需繁琐的架构设计或手动特征工程，在所有主要指标上都显著优于以前的方法。

Sep, 2023