FRIGATE: 道路网络上节约的时空预测
本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测,该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷,还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系,并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性,实验结果表明,与其他交通预测技术相比,该方法在四个大规模真实世界交通数据集上实现了最先进的性能。
May, 2022
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
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型,我们可以动态地构建每个时间步长的图形,从而准确地预测交通流量,并通过边采样策略进一步提高模型的性能。
Jun, 2024
该论文介绍了一种新颖的交通预测框架,它包括两个核心组件:空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络,该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知,该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。
Jan, 2024
本文提出了一种可扩展的体系结构,利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中,并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入,从而实现多尺度的时空特征表示,我们的方法在保证结果竞争力的同时,大大降低了计算负担。
Sep, 2022
提出了一种基于 Cross-Node Federated Graph Neural Network(CNFGNN)的联邦时空模型,旨在利用分布式数据的时空结构,对交通流量进行准确预测,并在交通流量预测任务中展示了其卓越的表现。
Jun, 2021
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
从电信角度看,用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察,并建议最优分配策略。最近,使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而,现有的研究借鉴了道路流量预测的方法,忽视了基站的动态部署和移除,要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型,可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习,使其适用于不同领域。实验结果表明,在稀缺数据的情况下,与最先进技术相比,性能提升高达 9.8%,特别是当训练数据减少到 20%以下的情况。
May, 2024
该论文提出了一种基于神经网络模型的交通流预测方法,该方法可以提取交通流数据的空间和时间信息,进而通过结合两种图卷积网络方法来学习节点和边的表示,并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势,实验结果表明该模型可以更好地预测交通流,并适应不同的时态交通模式。
Nov, 2020