复杂交通场景分类的图卷积网络
本文提出了使用动态异构图来处理自动驾驶中复杂的动态场景问题,并设计了一种新颖的异构图卷积循环神经网络来捕捉动态图中不同交互信息和其演进,进而准确预测车辆的多模态未来轨迹。
Mar, 2023
通过使用图形来构建一个有意义的嵌入空间,我们的方法展示了场景的连续映射以及基于嵌入结果形成主题相似群集,从而在后续测试过程中识别相似场景,从而减少冗余测试运行。
Sep, 2023
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
这篇论文提出了一种基于深度卷积模型的统一表征方法,该方法在使用 3D 感知信号和语义地图的基础上,通过深度卷积模型,学习了实体和场景之间的交互,并能够有效地预测自动驾驶系统中实体的行为表现。
Jun, 2019
该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距,通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络,利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据,创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件(以图形编码)有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献,从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力,其中包括生成具有各种实体的手动定义位置的图像。
Dec, 2023
提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络,用于改善高速公路交通中的交通流量预测,通过注意力机制有效地整合了三种时间分辨率的数据序列,动态创建多动态图以结合动态特征,引入专注于高相关节点的门控核以减少图卷积操作的过拟合,实验证明该方法优于现有技术基线。
Sep, 2023
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
通过学习交通网络图形并提出一种新的深度学习框架,Traffic Graph Convolutional Long Short-Term Memory Neural Network(TGC-LSTM),我们可以更好地进行交通预测,从而在两个真实的交通状态数据集上优于基准方法。
Feb, 2018