可随意修改的任意区域单元的时空预测查询的统一模型
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
ST-TIS提出一种基于Transformer的轻量级交通预测方法,结合信息融合和区域采样技术,能够高效地处理区域之间动态的空间和时间依赖关系,相对于现有方法,能够实现更高的预测精度和更快的离线训练速度。
Dec, 2021
本文提出了一种新的Spatio-Temporal Self-Supervised Learning (ST-SSL)交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题,其中结合了时间和空间卷积以及自我监督辅助任务,实验结果表明,该方法在四个基准数据集上表现良好而且可适用于其他时空应用。
Dec, 2022
基于城市化进程,交通预测在智慧城市建设中起到至关重要的作用。本文提出了一种基于传感器依赖建模的层次化信息增强时空预测方法(HIEST),通过建立区域依赖和共享时空模式来实现交通预测,并通过扩展实验证明了方法的领先性能。
Sep, 2023
我们提出了一个多因素时空预测任务,预测不同因素下局部时空数据的演变,并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架,我们在这个任务中做出了两个贡献:提出了一种称为分解预测策略的有效理论解决方案,并从信息熵理论的角度证明了其有效性。在此基础上,我们实例化了一个新颖的模型无关框架,名为时空图分解学习(STGDL),用于多因素时空预测。框架包括两个主要组件:自动图分解模块,将时空数据中固有的原始图结构分解为对应于不同因素的子图,以及分解学习网络,分别学习每个子图上的局部时空数据,并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验,即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差(最多达到35.36%的减少)。此外,一项案例研究揭示了我们框架的可解释性潜力。
Oct, 2023
该研究论文提出了一种基于因果关系的理论解决方案,名为“Disentangled Contextual Adjustment (DCA)”,以及一种名为“Spatio-Temporal sElf-superVised dEconfounding (STEVE)”的框架,用于处理ST交通预测中的分布变化问题,以提高预测性能。实验结果表明,STEVE在各种不同的ST分布变化场景下始终优于现有技术基线。
Nov, 2023
基于大型语言模型和空间-时间依赖编码器的UrbanGPT在数据稀缺情况下实现了更全面、准确的空间-时间预测任务,显示了在零样本场景中建立大型语言模型的潜力。
Feb, 2024
传统交通预测基于传感器数据的范围有限,综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案,使用网络活动计数,但缺乏关键的方向性。因此,我们提出了TeltoMob数据集,其中包含无向电信计数和相应的方向流,以预测道路上的方向性移动流。为了解决这个问题,我们提出了一个两阶段的时空图神经网络(STGNN)框架。第一阶段使用预训练的STGNN处理电信数据,而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种STGNN模型的兼容性,并证实了其有效性。我们还展示了如何将该框架融入现实交通系统,以增强可持续城市移动性。
May, 2024
本文提出了一种多层多视图增强时空Transformer(LVSTformer)用于交通预测,该模型旨在从局部地理、全局语义和关键节点三个不同层次捕获空间依赖性,同时还具备长期和短期的时间依赖性,通过结合三种空间增强视图与三个并行空间自注意机制,模型可以全面捕获不同层次的空间依赖性,并且采用门控时间自注意机制有效捕捉长期和短期的时间依赖性。此外,在两个时空层之间引入了时空上下文广播模块,以确保注意力分配的均匀分布,缓解过拟合和信息损失,增强模型的泛化能力和鲁棒性。通过在六个知名交通基准上进行全面的实验,实验结果表明LVSTformer相比竞争基线模型实现了最先进的性能,最大改进幅度达到了4.32%。
Jun, 2024
本研究针对现有交通预测模型在零-shot预测和长期准确性方面的不足,提出了一种新型基础模型OpenCity。该模型结合了Transformer架构和图神经网络,能够有效捕捉和归一化多样交通数据中的时空模式,具有卓越的零-shot预测性能,促进了城市交通预测的普适性和适应性。
Aug, 2024