Aug, 2023

在图谱频谱域中预测和解释车辆轨迹

PDF
TL;DR该论文提供了对交通场景的图谱表示的全面分析和解释。基于时空车辆交互图，观察到的交通场景可以通过多维图傅里叶变换转换为图谱域。由于这些谱场景表示成功地融合了交通场景的复杂和交互性质，因此采用了优良的特征表示方法用于预测车辆轨迹。该论文引入了 GFTNNv2，它是一个在图谱域中预测车辆轨迹的深度学习网络。在公开可用的数据集 highD 和 NGSIM 上评估 GFTNNv2，与现有的预测方法相比，性能提升高达 25%。
graph spectral representationtraffic scenariosspatio-temporal vehicle interaction graphgraph fourier transformationgftnnv2
发现论文，激发创造
  • 一种多维图傅里叶变换神经网络用于车辆轨迹预测

    该论文介绍了基于图傅里叶变换神经网络的高速公路长期轨迹预测模型，通过图结构和多维度的 GFT 特征进行车辆行为分析，得到了远优于现有模型的预测效果。

    May, 2023

  • 光谱时空图神经网络用于轨迹预测

    这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

    Jun, 2021

  • 基于图的交互感知多模态 2D 车辆轨迹预测利用扩散图卷积网络

    通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

    Sep, 2023

  • 使用图 LSTM 中的谱聚类预测道路行驶体轨迹和行为

    本研究提出了一种新的方法，基于谱图分析和深度学习，预测城市交通情景中的交通流量变化和道路代理的行为以及规律，通过一种加权动态几何图（DGG）表示路代理之间的距离，并提出一种基于谱聚类的新型正则化算法，有效降低预测误差并提高预测精度，经验证，平均预测误差降低了大约 75％；行为预测的加权平均准确度为 91.2%。

    Dec, 2019

  • 另一种竖直视角：通过光谱实现异质轨迹预测的分层网络

    本文提出了一种层次化建模预测轨迹的方法，同时考虑频域响应、维度交互和不同时间尺度下的行为，以更好地适应不同形式和类型的轨迹数据；实验结果表明该方法在各类轨迹数据集上表现优异。

    Apr, 2023

  • 多元时间序列预测的频谱时空图神经网络

    本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

    Mar, 2021

  • 基于知识感知的图形转换器用于行人轨迹预测

    该论文提出了一个图变换器结构来改进预测性能，捕捉数据集中不同场所和情景之间的差异，并设计了一种自注意机制和域适应模块来提高模型的泛化能力。此外，还引入了一种考虑跨数据集序列的额外指标用于训练和性能评估目的。使用 ETH 和 UCY 等流行的公共数据集验证和比较了所提出的框架，实验结果表明了我们提出的方案的改进性能。

    Jan, 2024

  • 可迁移的 GNN 自适应轨迹预测

    提出了一种新颖的可传递图神经网络（T-GNN）框架，该框架在统一框架中联合进行轨迹预测和域对齐。 结果表明所提出的方法对于解决不同轨迹域之间的差异具有优越的性能。

    Mar, 2022

  • 基于频谱投影器的图傅里叶变换

    本文研究了图傅里叶变换，其特征分解通过 $A$ 的乔然子空间进行，多用于大型稀疏图的缺陷邻接矩阵，通过谱投影器表达 GFT，并以真实的城市交通数据集为例进行了说明。

    Jan, 2017

  • 基于时序图神经网络的交互感知个性化车辆轨迹预测

    利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

    Aug, 2023