用于动态交通分配的异质图序列神经网络
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
本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的Origin-Destination需求矩阵预测框架,该框架能够从通行信息中预测时空O-D流,并利用新泽西州收费站的数据验证了该模型,结果表明我们的方法在各种预测方案下都能够取得最佳性能,同时也展示了深度学习和卡尔曼滤波相结合的优势。
May, 2019
提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测,利用在线导航引擎获取即将到来的流量数据,并结合与时间相关的交通流量信息进行空间依赖的图卷积计算,实现对交通状况的预测。在现实数据上的实验表明,相比于现有方法,H-STGCN在各种指标上均表现出色,尤其是对于非经常发生的拥堵的预测。
Jun, 2020
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
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
利用异构图神经网络提出了一种新的数据驱动交通分配和交通流学习方法,该模型能够捕捉不同链接上的空间交通模式,具有高精度的结果,并在城市交通网络上进行了数值实验,表明该模型在收敛速度、训练损失和预测准确性方面优于其他传统神经网络模型,同时也具有泛化到不同网络拓扑的能力,为复杂交通流分析和预测提供了有希望的解决方案,增强了对各种交通系统的理解和管理能力。
Oct, 2023
本文介绍了交通预测的问题,并针对现有方法在建模时间和空间关系上的局限性以及对过渡模式的多样性的挑战,提出了一种名为COOL的综合时空图神经网络,通过构建异质图来捕捉高阶时空关系,并使用亲和力图和惩罚图来引导后续信息传递,进而增强交通预测的能力,并通过实验结果表明,COOL相较竞争方法具有最先进的性能。
Mar, 2024
本文研究了智能城市发展中交通预测这一关键领域,针对现有神经网络模型在时空关联建模中性能提升渐显乏力及未能考虑交通数据中时空异质性的问题,提出了时空图变换器(STGormer)以有效整合交通数据中的属性和结构信息。实验结果表明,STGormer在多个真实世界数据集上实现了最佳性能,显著提高了预测的准确性。
Aug, 2024
本研究针对交通预测领域中存在的时空相关性建模效果递减和交通数据时空异质性未被充分考虑的问题,提出了一种新的时空图变换器(STGormer)模型。通过有效融合交通数据的属性和结构信息,并引入专家模块来捕捉时空轴上的异质性,实验结果表明,该模型在真实世界交通数据集上实现了领先的性能。
Aug, 2024