May, 2024

xMTrans：用于长期交通预测的时间注意力交互融合变压器

PDF
TL;DR本文介绍了一种新颖的时间关注跨模态变压器模型，即 xMTrans，具备探索两种模态数据之间的时间相关性的能力，用于长期交通预测，通过对真实世界数据集上的交通拥堵和出租车需求预测进行广泛实验，结果显示 xMTrans 在长期交通预测方面优于最新的先进方法，此外，还进行了全面的消融研究，以进一步分析 xMTrans 中的每个模块的有效性。
traffic predictionsmulti-modal datatemporal attentive cross-modality transformer modellong-term traffic predictionsxmtrans
发现论文，激发创造
  • 基于多模式网络融合的智慧城市移动性的时空交通预测

    提出了一种名为 FusionTransNet 的框架，用于智能和多模式城市交通系统中的起讫流量预测，该框架包含三个核心组件：Intra-modal 学习模块、Inter-modal 学习模块和预测解码器，通过分析和整合多种交通模式之间的复杂时空交互作用，生成准确的起讫流量预测。

    May, 2024

  • 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

  • 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

  • 融合 Transformer 和时空自监督学习的长期交通预测

    利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性，该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性，利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性，并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外，考虑到时空异质性对交通速度的影响，我们设计了两个自监督学习任务来建模时空异质性，从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估，结果进行了可视化和分析，证明了所提模型的卓越性能。

    Jan, 2024

  • 基于互信息的迁移学习交通预测方法

    TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

    Mar, 2023

  • 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

  • 自动驾驶的共享跨模态轨迹预测

    本文提出 Cross-Modal Embedding 框架，以利用多个输入模式的信息来解决自动驾驶系统中的交通代理的未来轨迹预测问题。该方法在训练时学习将一组互补特征嵌入到共享潜在空间中，并利用多个传感器模态进行优化，在测试时可利用单个输入模态生成预测，并取得了很好的效果。

    Nov, 2020

  • 自主驾驶的交叉模态轨迹预测

    本文提出了一种基于跨模态嵌入框架的自动驾驶预测交通代理未来轨迹的方法，利用多种输入模式和相关传感器来预测未来轨迹，具有较好的预测效果。

    Apr, 2020

  • 适应模态的时间序列预测变形器

    通过开发一种名为 Modality-aware Transformer 的新型多模态变压器，我们旨在解决多模态时间序列预测的复杂挑战，并在金融数据集上进行了广泛实验，证明其优于现有方法，提供了一种新颖而实用的解决方案。

    Oct, 2023

  • BjTT: 用于交通预测的大规模多模态数据集

    研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

    Mar, 2024