Feb, 2024

逐流注意力的可解释 Transformer 模型用于通勤流预测

PDF
TL;DR通过引入 TransFlower，一种可解释的、基于 Transformer 的模型，使用流量 - 流量注意力来预测城市通勤模式，我们的研究在运动力学方面取得了 30.8% 的改进，为城市规划和政策决策提供了重要的移动动态洞察。
发现论文，激发创造
  • 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

  • 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

  • 交通流预测的反事实图转换器

    交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。

    Aug, 2023

  • 交通流预测的交通枢纽感知时空自适应图变换器

    提出了一个用于交通流量预测的增量学习方法，通过设计一种空间自注意模块和时间自注意模块，同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系，并通过空间 - 时间知识蒸馏模块进行增量学习。

    Oct, 2023

  • 通过生成图变换器构建交通基础设施模型

    本文提出了一种新的交通预测方法，称为交通基础模型（TFM），该模型结合了交通仿真原则和图形结构，能够更准确地预测城市交通状况。

    May, 2023

  • 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

  • 可解释的大语言模型交通流预测

    这项研究介绍了一种基于 TP-LLM 的可解释交通预测方法，通过将多模态因素作为语言输入统一起来，避免了复杂的时空数据编程，证明了大语言模型在交通预测方面的潜力。

    Apr, 2024

  • 城市轨道交通系统 COVID-19 短期客流预测的 ST-former 模型

    提出了一种名为 ST-former 的基于变压器的全新架构，在编码器 - 解码器框架下，利用修改的 CPSA 机制和自适应的 AMGCN 网络来准确预测 COVID-19 期间的城市轨道交通乘客流量变化，并将多源数据融合以研究 COVID-19 对客流量的影响

    Oct, 2022

  • TrTr：一种基于 Transformer 的多功能预训练大型交通模型，用于捕捉车辆群体中的轨迹多样性

    使用 Transformer 技术，通过分析其注意机制并设计特定的预训练任务，可以学习车辆群体内轨迹的多样性，同时预训练模型在捕捉车辆群体的空间分布方面表现出色，并能准确预测时间序列中的轨迹速度。

    Sep, 2023

  • 基于多模态深度学习的交通流量预测的混合方法

    本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

    Mar, 2018