ESGCN: 基于边缘压缩注意力的图卷积神经网络用于交通流预测
该论文提出了一种新颖的自适应图卷积网络(AGC-net),通过自适应图卷积(AGC)和一种上下文关注机制,将空间图表达转换为实时特征,考虑到时间上下文,在公共交通数据集上展现了其明显的优于基础模型的有效性。
Jul, 2023
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
本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network(PGCN),它通过在训练和测试阶段逐步适应输入数据来构建一组图形,并与扩张因果卷积和门控激活单元相结合,提取时间特征。PGCN 具有逐步适应输入数据的能力,使模型在不同的研究场所具有稳健性,并在各种几何性质的实际交通数据集上实现了最先进的性能。
Feb, 2022
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
该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型,可用于多个化学数据集中学习化合物的属性,通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵,进而实现对不同分子大小的聚合节点特征预测的独立性。
Feb, 2018
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
提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络(MA2GCN),通过将车辆轨迹数据转换为以网格形式的图结构化数据,提出了基于不同网格之间的移动性的车辆进出矩阵。同时,为了提高模型性能,还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息,并在上海出租车 GPS 轨迹数据集上表现出最佳性能。
Jan, 2024
本文提出自适应图卷积循环神经网络 AGCRN,其中包括两个自适应模块(节点自适应参数学习模块和数据自适应图生成模块),用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明,AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。
Jul, 2020
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