HUTFormer:用于长期交通预测的分层 U-Net Transformer
提出了一个用于交通流量预测的增量学习方法,通过设计一种空间自注意模块和时间自注意模块,同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系,并通过空间 - 时间知识蒸馏模块进行增量学习。
Oct, 2023
本研究提出了 Traffic Transformer 模型,通过多头和掩码多头机制,动态地从数据中抽取时空特征,提高了交通预测性能,比现有技术表现更好。
Apr, 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
基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测,能够有效地学习和提取交通流的复杂趋势和周期特征,实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。
Mar, 2024
本研究旨在结合 U-Net 架构与图层操作,以提高交通数据预测的精确度和空间泛化能力。模型表现证明了该方法比基础 U-Net 更适用于预测不同道路网络的交通状况。
Feb, 2022
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
该论文提出了一种基于 Y-shaped 编码器 - 解码器结构的 Yformer 模型,结合稀疏注意力和下采样上采样过程,通过在四个基准数据集上进行的实验结果显示,该模型相比当前最先进的模型在一元和多元场景下的平均改进率分别为 19.82%和 18.41%MSE 和 13.62%和 11.85%MAE。
Oct, 2021
本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network(HSTTN)模型,利用空间和时间特征增强长期风力发电预测。实验结果表明,该模型性能优于现有解决方案。
May, 2023
我们提出了一种名为 HLT-Ens 的新方法,利用一种新的分层损失函数,通过组合的全连接层来捕捉多模态分布,有效地训练 Transformer 架构的集合,在轨迹预测技术上取得了最先进的性能水平,为改进轨迹预测技术提供了有希望的途径。
Mar, 2024