Jul, 2023

DSTCGCN: 学习交通预测的动态时空交叉依赖

PDF
TL;DR本文提出了一种动态空时交叉图卷积神经网络（DSTCGCN）用于交通预测，结合了时间和空间维度的依赖关系，通过快速傅里叶变换（FFT）选择相关的时间步长，利用空间和时间连接功能模块建立动态的空时交叉依赖关系，实验结果表明，DSTCGCN 具有最先进的性能。
traffic forecastingintelligent transportation systemsspatial-temporal dependenciesgraph convolution networkdynamic cross graph construction
发现论文，激发创造
  • 交通预测的时空交互动态图卷积网络

    提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

    May, 2022

  • 动态频域图卷积网络用于交通预测

    本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

    Dec, 2023

  • DDP-GCN：用于时空交通预测的多图卷积网络

    本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

    May, 2019

  • 时空图卷积网络：用于交通预测的深度学习框架

    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

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • 基于时空融合的图神经网络用于交通流量预测

    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

  • STGC-GNNs：一种基于 GNN 的交通预测框架，使用时空 Granger 因果图

    本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

    Oct, 2022

  • DST-GTN：动态时空图转换网络用于交通预测

    通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。

    Apr, 2024

  • 基于空间 - 时间图扩散网络的交通流量预测

    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

  • 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