Oct, 2023

智能交通系统中应用门控图神经网络提高交通密度预测

PDF
TL;DR该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。
graph neural networkstraffic forecastingintelligent transportation systemsgated graph neural networksprediction errors
发现论文，激发创造
  • 用于交通预测的图神经网络：综述

    本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

    Jan, 2021

  • 用图神经网络建模交通参与者交互

    该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

    Mar, 2019

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    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

  • 智能交通系统中的图神经网络综述

    本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 ITS 所面临的挑战，并提出了潜在的未来研究方向。

    Jan, 2024

  • 交通流量预测的自适应图卷积网络

    该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。

    Jul, 2023

  • MA2GCN：基于轨迹数据的交通预测的多邻接关系注意力图卷积网络

    提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

    Jan, 2024

  • 基于多图卷积神经网络模型的信号化路口短期转向动作预测

    交通流量预测是智能主动交通管理的关键第一步。本研究引入了一种新型的深度学习架构，称为多图卷积神经网络（MGCNN），用于交叉口的转弯动作预测，并通过在时间和空间上建模交通数据的变化来改善预测性能。在实验中，该模型在对比其他四种基准模型的情况下表现出更好的预测结果，平均均方误差（MSE）为 0.9。

    Jun, 2024

  • 一种新型混合时变图神经网络用于交通流预测

    提出了一种用于交通流预测的混合时变图神经网络 (HtvgNN)。

    Jan, 2024

  • PGCN: 面向时空交通预测的渐进图卷积网络

    本研究提出了一种新的交通预测框架 - Progressive Graph Convolutional Network（PGCN），它通过在训练和测试阶段逐步适应输入数据来构建一组图形，并与扩张因果卷积和门控激活单元相结合，提取时间特征。PGCN 具有逐步适应输入数据的能力，使模型在不同的研究场所具有稳健性，并在各种几何性质的实际交通数据集上实现了最先进的性能。

    Feb, 2022

  • 交通预测的自适应图卷积循环网络

    本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

    Jul, 2020