Sep, 2023

SpatialRank: 空间时间数据上基于 NDCG 优化的城市事件排序

PDF
TL;DR本文介绍了一种名为 SpatialRank 的新颖的空间事件排名方法，通过自适应图卷积层动态地学习位置间的时空依赖关系，并通过优化带有空间组件的混合 NDCG 损失来更好地排序相邻的空间位置。在三个实际数据集上进行的综合实验表明，SpatialRank 能够有效地识别犯罪和交通事故的最高风险地点，并在 NDCG 方面超过最先进的方法多达 12.7%。
urban event rankingspatio-temporal correlationslearning-to-rank methodsspatial event rankingnormalized discounted cumulative gain
发现论文，激发创造
  • RiskOracle：一种以分钟级的频率预测城市交通事故的框架

    本文提出了一个基于 RiskOracle 框架的实时交通事故预测模型，采用 Differential Time-varying Graph 神经网络来捕捉交通状态的即时变化和动态子区域之间的相关性，采用多任务和区域选择方案来弥合偏见风险值和零散事故分布之间的差距，在两个真实数据集上进行的广泛实验表明了我们 RiskOracle 框架的有效性和可扩展性。

    Feb, 2020

  • 使用图神经网络进行交通预测的统一时空建模

    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

  • DDP-GCN：用于时空交通预测的多图卷积网络

    本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

    May, 2019

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • 时空图卷积网络：用于交通预测的深度学习框架

    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

  • 一个贝叶斯空间模型用于纠正城市众包中的低报告

    决策者通常通过报告过程观察事件的发生情况。在城市政府中，例如，依靠居民报告来发现并解决城市基础设施问题，例如树木倒塌、地下室涝水或鼠害问题。在正无标记数据的情况下，没有办法区分已发生但未被报告的事件和真正未发生的事件 - 这是存在基本难题。我们展示了如何充分利用事件的空间相关性来克服这一挑战。我们的框架利用贝叶斯空间潜变量模型推断事件发生的概率，并将其应用于纽约市风暴引发的洪水报告中，进一步汇总多个风暴的结果。我们展示了一个考虑少报告和空间相关性的模型比其他模型更准确地预测未来的报告，并进一步产生了更公平的检查分配：其分配更好地反映了人口情况并为非白人，较低教育水平和低收入居民提供公平的服务。我们的工作为更加公平的积极政府服务奠定了基础，即使报告行为存在差异。

    Dec, 2023

  • 使用多视图图卷积神经网络预测不规则地区的城市人群流动

    本文提出了使用多视角图卷积网络来解决不规则区域内的群众流预测问题，通过使用四个现实世界数据集来评估这种方法的表现，结果显示出比现有最先进方法更好的性能，并实现了一个针对不规则区域的群众流预测系统。

    Mar, 2019

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    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

  • 混合时空图卷积网络：利用导航数据改善交通预测

    提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

    Jun, 2020

  • 实时克里金插值的空间聚合和时间卷积网络

    SATCN 是一种通用且灵活的框架，它使用空间聚合网络和时间卷积网络进行时空克里金插值，可以适用于各种不同类型的时空数据集，并能够相对传统方法以及基于 GNN 的克里金模型更加优越。

    Sep, 2021