DST-GTN:动态时空图转换网络用于交通预测
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
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
本论文提出了一种名为 DynSTGAT 的神经网络框架,该框架结合了动态历史状态和新的时空图注意力网络,旨在解决现有方法未充分利用空间 - 时间关联性的问题,提高交通信号控制的性能。
Sep, 2021
本文提出了一种动态空时交叉图卷积神经网络(DSTCGCN)用于交通预测,结合了时间和空间维度的依赖关系,通过快速傅里叶变换(FFT)选择相关的时间步长,利用空间和时间连接功能模块建立动态的空时交叉依赖关系,实验结果表明,DSTCGCN 具有最先进的性能。
Jul, 2023
本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型,结合空间和时间各种图的融合操作,以及门控卷积模块来处理长序列,实现了比其它基线更好的性能。
Dec, 2020
本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络(STN)结构和双 STN 技术(D-STN),通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验,证明了所提出的(D-)STN 方法可以实现高达 10 小时的精确预测,并且与其他流行的预测方法相比,可以获得高达 61% 的更小预测误差。
Dec, 2017
本文提出一个基于图卷积神经网络(STGCN)的深度学习框架来预测交通领域的时间序列问题,该模型可以更快地训练少量参数,通过建模多尺度交通网络,有效地捕捉了全面的时空相关性,并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。
Sep, 2017
本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测,该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点,并在实验中证明了其超越了现有模型,同时减少了培训时间。
Apr, 2021