通过城市人类活动分析提升时空交通预测
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
提出了一种增强型移动流量预测方案,该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM),实验结果显示与最先进技术相比,性能提升达到 28%,证实了该方法的功效和可行性。
Dec, 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
本文介绍了影响城市流量的四个主要因素,将多源空间时间数据的准备过程分为三组,选择了空间 - 时间动态数据作为案例研究城市流量预测任务,并详细分析比较了一些著名的和最先进的流量预测方法,最后提出了城市空间 - 时间流预测的挑战和未来的展望。
Aug, 2019
提出了一种名为 DeepTransport 的端到端框架,其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息,并引入注意力机制以对齐空间和时间信息,并构建并发布实时大规模交通状况数据集,经实验证明,该方法在时空领域捕捉了复杂的关系,相对于传统的统计方法和最先进的深度学习方法,取得了显著的性能提升。
Sep, 2017
本文提出一种空间 - 时间动态网络(STDN)进行交通预测,该网络引入流量控制机制来学习位置之间的动态相似性,设计周期移位关注机制来处理长期周期性时间移位,并在实际交通数据集上进行实验验证。
Mar, 2018
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
本文提出了一种新颖的动态图卷积神经网络,采用时空关注融合的方法,全面地模拟了长距离和多尺度的时空模式,取得了 22 种基线模型之外的最先进表现。
Feb, 2023
本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题,并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。
Mar, 2022