适应性分层时空网络用于交通预测
本研究提出了一种名为自适应混合时空图神经网络 (AHSTGNN) 的网络架构,用于解决基于时空模式的移动通信网络中的流量预测问题。实验结果表明,AHSTGNN 模型在两个真实的移动通信数据集上性能优于现有的预测方法。
Feb, 2023
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
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
为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用,我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network(ST-GDN),该框架具有层次结构的图神经架构,不仅可以从局部角度学习区域地理依赖关系,而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络,以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。
Oct, 2021
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
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
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
本文提出了一种层次化的时空图神经网络模型 (HiSTGNN),用于模拟多个站点中气象变量之间的跨区域时空相关性,在三个真实气象数据集上表现出明显优异性能,特别是与最先进的天气预报方法相比,其误差降低了 4.2% 到 11.6%。
Jan, 2022