用于交通预测的消息传递神经网络
该研究使用图表征交通场景,并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测,评估了两种现有的图神经网络结构,并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30%,表明交互作用是重要的,并且该研究在交通预测系统中将 GNN 作为有价值的补充。
Mar, 2019
本论文对交通预测问题中应用图神经网络(包括图卷积和图注意力网络)进行了全面的综述和研究,展示了其在不同交通预测问题方面,如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等,取得的最新成果。同时,还提供了每个问题的公开数据和资源列表,并提出了未来的研究方向。
Jan, 2021
本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题,该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式,并在真实数据集上验证了其有效性。
Jul, 2022
通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息,并使用改进的消息传递算法更好地表示物理网络中的依赖关系,我们提出了一种基于图神经网络的解决方案,旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。
Oct, 2023
该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构:图卷积网络(Graph Convolutional Networks),图采样和聚集(Graph Sample and Aggregation)以及门控图神经网络(Gated Graph Neural Networks)。研究结果显示,GGNNs 是三个模型中最有效的选择,通过均方根误差和平均绝对误差(MAE)展现了预测性能,GCNs 的均方根误差为 9.10,平均绝对误差为 8.00,而 GraphSAGE 显示出改进,均方根误差为 8.3,平均绝对误差为 7.5。门控图神经网络(GGNNs)表现出最低的均方根误差,为 9.15,令人印象深刻的平均绝对误差为 7.1,使其成为最佳选择。
Oct, 2023
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