多尺度时空循环网络用于交通流预测
该论文介绍了一种新颖的交通预测框架,它包括两个核心组件:空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络,该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知,该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。
Jan, 2024
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
本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测,该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷,还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系,并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性,实验结果表明,与其他交通预测技术相比,该方法在四个大规模真实世界交通数据集上实现了最先进的性能。
May, 2022
提出了一种基于运动预测领域知识的网络网格表示方法,将网络整体交通速度转换为静态图像,并输入一种新的深度体系结构 —— 时空循环卷积网络 (SRCNs),可以用于交通预测,实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。
May, 2017
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
本文提出了一种称为简化空时交通预测 GNN 的模型,它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性,并使用简单而有效的加权空时聚合机制捕获时间依赖性,而且使用了一种新颖的位置编码方案来捕获周期性的交通模式,实验表明该模型优于最先进的交通预测模型。
Mar, 2021
本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN,其中包括图卷积循环模块 GCRN 和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
Feb, 2023
通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型,我们可以动态地构建每个时间步长的图形,从而准确地预测交通流量,并通过边采样策略进一步提高模型的性能。
Jun, 2024
该论文提出了一种基于神经网络模型的交通流预测方法,该方法可以提取交通流数据的空间和时间信息,进而通过结合两种图卷积网络方法来学习节点和边的表示,并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势,实验结果表明该模型可以更好地预测交通流,并适应不同的时态交通模式。
Nov, 2020