Jan, 2024

在线测试时空交通流预测的自适应

PDF
TL;DR本研究介绍了一种用于空间 - 时间交通流预测问题的在线测试时适应技术，提出了自适应双重修正的系列分解（ADCSD）方法，通过两个独立的模块对已训练模型的输出进行季节和趋势周期分解，并在每次观测到数据条目时使用最新观测数据进行修正。该方法在四个真实世界交通流预测数据集上进行了广泛实验，证明了其有效性。
spatial-temporal traffic flow forecastingonline test-time adaptation techniquesadaptive double correction by series decomposition (adcsd) methodtemporal driftreal-world traffic flow forecasting datasets
发现论文，激发创造
  • 鲁棒性强的时空交通预测与强化动态对抗训练

    提出机器学习方法用于交通预测时的防御措施，包括加强动态防御能力和降低模型过拟合；在真实交通数据集上验证其优于其他基线模型的表现，并有效地提高交通预测模型的防御能力。

    Jun, 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

  • 解决在线时间序列预测中的概念漂移问题：检测然后适应

    在线更新时间序列预测模型针对概念漂移通过基于流数据调整预测模型来解决挑战。我们提出了一种新颖的方法 D3A，首先检测概念漂移，然后在检测到漂移后积极调整当前模型以适应漂移的概念，从而快速适应。通过在现有的训练样例中引入高斯噪声的数据增强策略，我们提出了一种最大程度利用历史数据进行模型适应的方法。我们的实证研究跨越六个数据集，证明了 D3A 在提高模型适应能力方面的有效性。与简单的时间卷积网络（TCN）基准相比，D3A 将均方误差（MSE）平均降低了 43.9%。对于最先进的模型，MSE 降低了 33.3%。

    Mar, 2024

  • 域对抗时空网络：一种适用于跨城市短期交通预测的可迁移框架

    该论文提出了一种新的可迁移交通预测框架 —— 域对抗时空网络（DASTNet），该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入，并将其进一步融入到模型中来进行时空交通数据建模。在三个基准数据集上的实验表明，DASTNet 始终优于所有最先进的基线方法。

    Feb, 2022

  • 时空交通预测模型的实践性对抗攻击

    本文研究了机器学习在交通预测模型中的漏洞，提出了一个实用的敌对空间时间攻击框架，该框架通过迭代渐变引导节点显著性方法来识别受害节点的时间相关集，进而设计一种空间时间渐变下降算法来生成有实值的敌对交通状态，并在两个实际数据集上进行了广泛的实验。结果表明，该攻击框架达到了各种先进空间时间预测模型高达 67.8% 的性能降级，同时展示了在我们提议的攻击训练下的算法的鲁棒性的显著提高。

    Oct, 2022

  • 基于空间 - 时间图扩散网络的交通流量预测

    为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用，我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network（ST-GDN），该框架具有层次结构的图神经架构，不仅可以从局部角度学习区域地理依赖关系，而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络，以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。

    Oct, 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

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

    Mar, 2018

  • MemDA：基于记忆的漂移自适应城市时间序列预测

    我们提出了一种新的城市时间序列预测模型，通过考虑数据中的周期性，并使用元动态网络根据漂移进行即时调整，以解决概念漂移问题。实验结果表明，我们的设计明显优于现有方法，并可以通过减小它们对分布变化的敏感性来很好地推广到现有的预测模型。

    Sep, 2023

  • AuxAdapt: 稳定高效的测试时间适应方法，用于保持视频语义分割的时序一致性

    该论文提出了一种无监督在线适应方法，名为 AuxAdapt，用于提高神经网络模型的时域一致性，通过利用一个辅助分割网络（AuxNet）对原始的分割网络（Main-Net）的决策进行针对性的修改，实现对视频序列的快速、准确、稳定的训练。

    Oct, 2021