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
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
该论文提出了一种基于自适应图形时空网络和Transformer的交叉空间时间注意力机制,在流量预测上的实验结果表明其具有更优秀的性能。
Jul, 2022
本文提出了一种新颖的动态图卷积神经网络,采用时空关注融合的方法,全面地模拟了长距离和多尺度的时空模式,取得了22种基线模型之外的最先进表现。
Feb, 2023
本文提出了一种新的空间-时间神经网络框架ASTGCRN,其中包括图卷积循环模块GCRN和全局注意力模块,以有效地对运输数据进行复杂的时空依赖性和相关性建模,并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明,这三个模型均具有极佳的预测表现优于基准方法。
该论文提出了一种新颖的自适应图卷积网络(AGC-net),通过自适应图卷积(AGC)和一种上下文关注机制,将空间图表达转换为实时特征,考虑到时间上下文,在公共交通数据集上展现了其明显的优于基础模型的有效性。
Jul, 2023
提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测,结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息,并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉,实验结果表明,该模型的预测准确性优于其他二十种基准方法。
Oct, 2023
提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的Traffic预测模型,能够准确捕捉交通数据的空间相关性和多尺度结构,并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。
Jan, 2024
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
本研究针对现有时空预测方法无法有效捕捉动态路网拓扑的问题,提出了将路网中不同时间步的节点视为独立的时空标记,使用基础Transformer学习复杂的时空模式。通过引入基于Nyström方法的NSTformer,本文实现了线性复杂度的自注意力,并在多个实验中展现了优于传统方法的成果,进而在计算成本上也有良好表现。
Aug, 2024