Dec, 2023

使用图神经网络合成交通数据集

PDF
TL;DR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。
traffic congestionintelligent transportation systemsphotorealistic imagesconditional generative adversarial networkgraph neural network
发现论文，激发创造
  • 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

  • 用于车道智能模拟和拓扑无关的交叉路口交通网络注意力机制

    该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

    Apr, 2024

  • 从捕获的流量追踪构建基于图的深度学习网络模型

    通过使用一种新颖的编码方法来捕捉抓取数据包序列中的信息，并使用改进的消息传递算法更好地表示物理网络中的依赖关系，我们提出了一种基于图神经网络的解决方案，旨在更好地捕捉真实网络场景的复杂性。我们展示了该方案能够学习并推广到未见过的抓取网络场景。

    Oct, 2023

  • 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

  • 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

  • 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

  • 复杂交通场景分类的图卷积网络

    通过建立场景分类方法，可以减少获得自动驾驶系统（ADS）安全性的统计显著证据所需的时间。我们提出了一种能够模拟车辆与环境以及其他交通参与者之间交互的复杂交通场景分类方法，利用图卷积网络来建模这些场景的空间和时间特征，并在覆盖不同驾驶环境并逐帧进行注释的数据集上进行训练，为未来关于逐帧复杂场景分类的研究提供了有前景的基线。

    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

    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。

    Oct, 2023

  • 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

  • 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