May, 2024

西部 GCN-LSTM: 加权堆叠的时空图神经网络用于区域交通预测

PDF
TL;DR通过引入共享边界策略和可调节跳数策略，该研究提出了一种新的 WEst GCN-LSTM 空间 - 时间图神经网络架构，对区域交通预测进行了改进，并在实验评估中显著优于其他 19 种预测模型。进一步的消融实验表明，该解决方案的每个组成部分都对提高整体性能有所贡献。
regional traffic forecastingspatio-temporal graph neural networkswest gcn-lstm architectureshared borders policyadjustable hops policy
发现论文，激发创造
  • 使用图神经网络进行交通预测的统一时空建模

    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

  • 运输网络的动态性与多权重交通图卷积网络的结合用于交通预测

    本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

    Sep, 2019

  • SST-GNN: 基于图神经网络的简化时空交通预测模型

    本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

    Mar, 2021

  • 时空图卷积网络：用于交通预测的深度学习框架

    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

  • 全球感知增强的时空图循环网络：交通流预测的新框架

    该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

    Jan, 2024

  • Traffic Graph Convolutional Recurrent Neural Network: 网络规模交通学习与预测的深度学习框架

    通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

    Feb, 2018

  • 基于时空融合的图神经网络用于交通流量预测

    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

  • STG4Traffic: 交通预测的时空图神经网络调查和基准评估

    本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

    Jul, 2023

  • 考虑多层次时空信息的交通预测：基于多尺度图小波的方法

    通过使用多尺度图小波时域卷积网络 (MSGWTCN) 模型，同时捕捉不同层次的空间信息和提取数据的时间依赖性，可以更好地预测复杂交通网络中的交通状态，并在实验中证明了该模型的卓越表现。

    Jun, 2024

  • 适应性分层时空网络用于交通预测

    该研究提出了一种自适应分层时空网络 (AHSTN) 以利用空间层次结构和建模多尺度空间关联来促进交通预测。

    Jun, 2023