Feb, 2024

交通预测中的延迟效应揭示：来自时空延迟微分方程的视角

PDF
TL;DR提出一种神经时空延迟微分方程模型（STDDE）进行交通流预测，该模型结合了延迟效应和连续性，通过明确地建模时空信息传播中的时间延迟，设计了可学习的交通图时延估计器，并提出了连续输出模块，从而实现在不同频率下准确预测交通流的灵活性和适应性。
traffic flow forecastinggraph neural networksspatial-temporal correlationsdelay differential equationcontinuous output module
发现论文，激发创造
  • 面向交通流预测的时空图 ODE 网络

    本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

    Jun, 2021

  • 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

  • 基于图神经网络控制微分方程的交通预测

    本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程（STG-NCDE）方法，将 NCDA 概念应用于时空序列数据的处理中，实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。

    Dec, 2021

  • 交通预测的图神经粗糙微分方程

    本研究介绍了一种名为 Spatio-Temporal Graph Neural Rough Differential Equation (STG-NRDE) 的方法，该方法将神经网络粗糙微分方程（NRDE）和图卷积网络结合起来，通过时间和空间数据进行交互，以预测交通流量，并在 6 个基准数据集和 21 个基线模型中实现了最佳准确性。

    Mar, 2023

  • 扩散卷积循环神经网络：基于数据的交通预测

    本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

    Jul, 2017

  • 时空超图神经网络用于交通预测

    STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

    Oct, 2023

  • 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

  • PDFormer: 延迟感知动态远程 Transformer 用于交通流量预测

    该研究提出了一种基于动态远程传输的新型传播延迟感知长输入 Transformer，能够准确预测交通流量，并在真实交通数据集上取得了最先进的性能和计算效率。

    Jan, 2023

  • 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

  • 持续演化的图神经控制微分方程用于交通预测

    提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE）框架来同时捕捉连续的时间依赖关系和空间依赖关系。大量实验表明，CEGNCDE 相较于现有方法平均减少了 2.34％的相对 MAE，0.97％的相对 RMSE 和 3.17％的相对 MAPE。

    Jan, 2024