通过生成图变换器构建交通基础设施模型
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 2021
交通流量预测的反事实图转换器模型通过找到重要的子图,使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释,以提高交通流量预测的可靠性和可解释性。
Aug, 2023
TransWordNG 是第一款能够从真实交通数据中自动学习交通模式、高效生成准确、逼真交通环境的交通模拟器,它使用数据驱动的算法和图计算技术来应对交通环境的高维度和异质性。
May, 2023
我们提出了一种基于 transformers 和概率图模型的多个相互作用代理(道路用户)轨迹模拟方法,并将其应用于 Waymo SimAgents 挑战。我们的方法基于 MTR 模型,使用先验知识编码因子来生成并改进轨迹预测,该模型通过执行高斯牛顿方法的(近似)最大后验推理来采样数十个代理的未来轨迹。我们的方法名为 “模型预测模拟”(MPS),在安全关键指标(如碰撞率)方面改进了 MTR 基线,并且与任何潜在预测模型兼容,不需要额外的训练。
Jun, 2024
研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成,并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合,提出了 ChatTraffic,这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。
Mar, 2024
通过利用广泛的蜂窝交通覆盖捕捉移动模式,我们提出了地理蜂窝交通(GCT)流量作为解决基于位置检测器的交通预测局限性的新数据源。针对车辆相关的 GCT 流量预测,我们提出了一个图神经网络,它整合了多变量、时间和空间因素,提高了准确性。实验结果显示我们的模型在长期预测方面优于基准模型,同时我们也强调了将 GCT 流量整合入交通系统的潜力。
Jan, 2024
该论文提出了一个图变换器结构来改进预测性能,捕捉数据集中不同场所和情景之间的差异,并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外,还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架,实验结果表明了我们提出的方案的改进性能。
Jan, 2024
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
May, 2024
在本研究中,我们提出了 ChatTraffic,这是一个将文本转化为交通场景的扩散模型,通过结合生成模型和描述交通系统的文本,解决了交通预测方法在异常事件敏感性和长期预测性能方面的挑战。通过结合图卷积网络和扩散模型以提取交通数据的空间相关性,并构建了一个大型的文本 - 交通数据集,实验证明 ChatTraffic 能够从文本生成逼真的交通场景。
Nov, 2023