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
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
通过时空深度学习方法,提出了一个用于高速公路上每日交通流量预测的新方法,该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题,并基于图卷积网络构建了不同语义的网络来捕捉时空特征,同时利用气象和日历特征在全连接阶段提取交通流量的外部特征,经过大量实验证明该方法较基准模型在预测准确性方面有明显提升,并在商业领域带来实际效益。
Aug, 2023
该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制,在流量预测上的实验结果表明其具有更优秀的性能。
Jul, 2022
本文提出了一种新的交通预测方法,称为交通基础模型(TFM),该模型结合了交通仿真原则和图形结构,能够更准确地预测城市交通状况。
May, 2023
通过反事实解释方法增强可解释性和可用性,揭示深度学习模型学习的交通模式,提高交通预测模型的透明性和可理解性。
May, 2024
提出了一个多通道时空变换模型用于交通流量预测,通过融合来自不同通道的交通数据结果,改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征,并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明,引入多通道机制到时间模型中提高了性能,并且在准确性方面优于现有模型。
本文研究通过提出一种快速的 Transformer 网络来预测交通流量,该网络能够准确地捕捉交通数据中的复杂时空依赖关系,同时大大降低了计算时间和计算资源的要求。
Mar, 2023
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
该研究提出了一种使用标准化流的高效反事实解释方法,该方法捕捉复杂数据分布,学习具有保持接近性的有意义的潜在空间,并改进预测,特别在处理分类变量时表现出色。
Apr, 2024