Mar, 2024

具有时间动态的道路网络的语义增强表征学习

PDF
TL;DRToast 和 DyToast 是用于学习道路网络通用表示的新框架，增强了时间动态集成以提高各种时间敏感下游任务的性能。通过编码交通模式和旅行语义来实现对道路网络的两个关键语义特征的重要性概括，Toast 通过引入辅助任务和 Transformer 预训练策略，而 DyToast 通过使用统一三角函数更有效地捕获道路网络的时间演变和动态特性。我们的实验证明，这些提出的技术可以在基于路段和基于轨迹的应用中获得编码了多方面知识的表示，并且一致优于现有技术的基准。
发现论文，激发创造
  • 道路网络和轨迹上的联合对比表示学习

    本文提出了一个统一的框架，终端联合学习道路网络和路径表示。通过为道路对比和路径对比设计领域特定的增强算法，以及介绍道路 - 路径跨尺度对比来建立两个尺度之间的联系，实现了相互信息的最大化。实验表明，这种方法能够提高道路网络和路径表示的总体性能和效果。

    Sep, 2022

  • 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

  • 时空隐式神经表示作为广义交通数据学习器

    通过参数化空时交通数据（STTD）为隐式神经表示，我们提供了一种新的方法来解决 STTD 学习问题。通过在低维度范围内识别潜在动力学和分解空时交互作用，我们的方法能够进行各种 STTD 的建模，并展示了其在实际应用中的有效性。

    May, 2024

  • SemanticFormer：使用知识图谱的全局语义交通场景表示方法用于轨迹预测

    本文介绍了一种使用混合方法通过对语义交通场景图进行推理来预测多模态轨迹的方法 SemanticFormer。该方法从知识图谱中提取语义元路径的高级信息，并通过多个注意机制的新型流水线对其进行处理，以预测准确的轨迹。所提出的架构包括一个分层异构图编码器，可以捕捉代理之间及代理与道路元素之间的时空和关系信息，以及一个使用概率融合不同编码并解码轨迹的预测器。最后，一个改进模块评估轨迹和速度配置文件的准许元路径，以获得最终的预测轨迹。与现有方法相比，对 nuScenes 基准测试的评估显示出改进的性能。

    Apr, 2024

  • DeepTransport: 学习交通状况预测的时空依赖关系

    提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

    Sep, 2017

  • 具有泛化能力的隐式神经表示作为通用的时空交通数据学习器

    基于时空隐式神经表示的通用交通数据学习器，通过将交通数据参数化为隐式神经表示的形式，利用坐标为基准的神经网络对高频结构进行编码，将可变性分解为各个独立的过程，使用谱嵌入技术实现在传感器图中的建模，以连续表示的方式，统一输入来建模多样的交通数据，学习其底层交通动态，具有学习不同支配数据模式的能力，验证了其在实际场景中的有效性，展示了从走廊到网络规模的应用，为各种实际任务中时空交通数据的通用表示奠定了基础。

    Jun, 2024

  • 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

  • 交通预测的时序图学习循环神经网络

    通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

    Jun, 2024

  • 基于时间图的 3D 图卷积网络：交通流量预测中的一种空间信息自由框架

    本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

    Mar, 2019

  • 利用长短期记忆预测道路交通速度中的动态时空语境

    本研究提出一种动态局部化长短期记忆（LSTM）模型，通过使用局部动态空间权重矩阵和其动态变化，考虑时间和空间上的复杂动态相互作用，对道路之间的时空关系进行建模，能够处理具有长时序依赖和复杂非线性特征的序列数据，并在实验证明了该模型相比基线方法具有更好的预测性能。

    Dec, 2021