Aug, 2024

导航时空异质性：基于图变换器的交通预测方法

HTML
PDF
TL;DR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。
发现论文，激发创造
  • ST-GRAT：一种新颖的时空图注意力网络，用于准确预测动态变化的道路速度

    该论文提出了一种新的模型ST-GRAT，通过空间和时间注意力以及哨兵向量的使用，能够更有效地捕捉道路网络中的时空动态，并且在交通速度快速变化的困难条件下表现出色。

    Nov, 2019

  • 交通流量预测的时空转换网络

    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

  • 混合时空图卷积网络：利用导航数据改善交通预测

    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

  • 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

  • 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

  • 交通预测的时空元图学习

    本研究提出了一种基于Spatio-Temporal Meta-Graph Learning机制的交通预测模型MegaCRN。通过调用Meta-Node Bank的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

    Nov, 2022

  • 基于时空自监督学习的交通流量预测

    本文提出了一种新的Spatio-Temporal Self-Supervised Learning (ST-SSL)交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明，该方法在四个基准数据集上表现良好而且可适用于其他时空应用。

    Dec, 2022

  • 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

  • COOL：基于时空图神经网络的交通预测的共有观点

    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

  • 导航时空异质性：一种用于交通预测的图变换器方法

    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