Oct, 2023

交通流预测的交通枢纽感知时空自适应图变换器

PDF
TL;DR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。
intelligent transportation systemtraffic flow predictionspatial-temporal data miningincremental learninggraph transformer
发现论文，激发创造
  • 使用 Transformer 学习动态和分层交通时空特征

    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

  • 交通流预测的自适应图空时转换网络

    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

  • 交通流量预测的时空转换网络

    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

  • 基于时空自监督学习的交通流量预测

    本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明，该方法在四个基准数据集上表现良好而且可适用于其他时空应用。

    Dec, 2022

  • 多图时空图卷积网络用于交通流量预测

    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

  • 多通道时空变换器模型的交通流量预测

    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。

    May, 2024

  • 一种轻量且准确的时空变换器用于交通预测

    ST-TIS 提出一种基于 Transformer 的轻量级交通预测方法，结合信息融合和区域采样技术，能够高效地处理区域之间动态的空间和时间依赖关系，相对于现有方法，能够实现更高的预测精度和更快的离线训练速度。

    Dec, 2021

  • 适应性分层时空网络用于交通预测

    该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。

    Jun, 2023

  • 自适应混合空间 - 时间图神经网络用于移动通讯流量预测

    本研究提出了一种名为自适应混合时空图神经网络 (AHSTGNN) 的网络架构，用于解决基于时空模式的移动通信网络中的流量预测问题。实验结果表明，AHSTGNN 模型在两个真实的移动通信数据集上性能优于现有的预测方法。

    Feb, 2023

  • 融合 Transformer 和时空自监督学习的长期交通预测

    利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性，该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性，利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性，并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外，考虑到时空异质性对交通速度的影响，我们设计了两个自监督学习任务来建模时空异质性，从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估，结果进行了可视化和分析，证明了所提模型的卓越性能。

    Jan, 2024