May, 2023

图卷积神经网络变体的比较评估中，重新审视随机森林用于交通预测

PDF
TL;DR本研究比较了图卷积神经网络与随机森林等传统方法在交通预测中的表现，发现采用矩阵分解、注意力机制和位置特定的模型权重等技术可以提高图卷积神经网络的预测精度，但随机森林可以匹敌或超越图卷积神经网络的表现，因此目前的图卷积方法可能不是最佳的交通预测方法。
traffic predictiongraph convolutional neural networksmatrix factorizationattention mechanismrandom forests
发现论文，激发创造
  • Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

    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

  • 用于交通预测的图神经网络：综述

    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

  • 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

  • 关系融合网络：用于道路网络的图卷积网络

    本研究介绍了一种特定于路网设计的图卷积神经网络（GCN）的改进型 RFN，与现有的 GCN 相比，在两个机器学习任务上的性能提高了 21％-40％，同时还表明了现有 GCN 可能无法有效地利用道路网络结构并可能无法很好地推广到其他道路网络。

    Jun, 2020

  • 用于交通预测的动态图卷积循环神经网络：基准和解决方案

    文章提出了一种名为 DGCRN 的交通预测框架，该框架利用动态图卷积和循环神经网络来建模道路网络上节点之间的动态关系，并在每个时间步骤生成动态图来预测交通流量。经过实验证明，该方法的效果优于 15 个基线模型。

    Apr, 2021

  • 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测

    本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

    Sep, 2019

  • 时空交通预测深度学习模型基本要素比较研究

    本研究利用四个真实世界的数据集，对四种深度神经网络模型进行了深入比较研究，探讨了它们各自利用不同基本元素（图卷积，图注意力，循环单元或注意机制）对交通预测问题的性能影响。结果表明，使用图注意力的基础模型在长期预测中表现更好，对于 RNN-based 模型选择图卷积和图注意力有着更大的影响，并且我们发现，我们修改后的 GMAN 在内存消耗更少的情况下表现出与原始模型相当的性能。

    Nov, 2021

  • 智能交通系统中应用门控图神经网络提高交通密度预测

    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

  • 基于多图卷积神经网络模型的信号化路口短期转向动作预测

    交通流量预测是智能主动交通管理的关键第一步。本研究引入了一种新型的深度学习架构，称为多图卷积神经网络（MGCNN），用于交叉口的转弯动作预测，并通过在时间和空间上建模交通数据的变化来改善预测性能。在实验中，该模型在对比其他四种基准模型的情况下表现出更好的预测结果，平均均方误差（MSE）为 0.9。

    Jun, 2024

  • 使用多视图图卷积神经网络预测不规则地区的城市人群流动

    本文提出了使用多视角图卷积网络来解决不规则区域内的群众流预测问题，通过使用四个现实世界数据集来评估这种方法的表现，结果显示出比现有最先进方法更好的性能，并实现了一个针对不规则区域的群众流预测系统。

    Mar, 2019