用于交通预测的自适应图卷积递归网络

IJCAI2019 长时段交通预测解决方案

Graph WaveNet for Deep Spatial-Temporal Graph Modeling 一 作者介绍 本文的作者是悉尼科技大学的Zonghan Wu博士，师从IEEE member Shirui Pan，作者还发表了一篇GNN的综述[《A Comprehensive Survey on Graph Neural Networks》](https://arxiv.org/pdf/1901.00596v2.pdf)，引用量达到600多。这里是作者团队的主页：

【论文精读】AGCRN-自适应图卷积循环神经网络

该论文提出了一种新型的自适应图卷积循环网络（AGCRN），用于预测城市交通流量和速度。AGCRN通过节点自适应参数学习和数据自适应图生成模块，自动捕捉交通序列中的时空相关性，无需预定义的图结构。实验结果表明，AGCRN在两个真实世界的交通数据集上显著优于现有技术。

【论文翻译】PM-DMNet:用于双模式交通预测的模式匹配动态记忆网络

近年来，深度学习在交通预测领域越来越受到关注。现有的交通预测模型通常依赖于具有O(N²)复杂度的GCN或注意力机制来动态提取交通节点特征，这些方法效率低下且不够轻量。此外，这些模型通常只利用历史数据进行预测，而没有考虑目标信息对预测的影响。为了解决这些问题，我们提出了一种模式匹配动态记忆网络（PM-DMNet）。PM-DMNet采用了一种新颖的动态记忆网络，以仅O(N)的复杂度捕捉交通模式特征，大大降低了计算开销，同时实现了优异的性能。

AGCRN总结

Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting总结 作者：Lei Bai, Lina Yao, et al. UNSW 来源：NeurIPS 2020 代码：https://github.com/LeiBAI/AGCRN 1 论文动机 目前基于GCN的交通预测方法，需要预先定义的邻接矩阵以捕获空间相关性。论文认为，可以在不预定义图的情况下，学习节点特定模式。为此，提出两个增强图卷积的自...

AGCRN论文解读

对论文AGCRN（Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting）做粗略解读！

gcn 图卷积神经网络_两篇图神经网络交通预测 |A3T-GCN:用于交通预测的注意力时间图卷积网络...

A3T-GCN:用于交通预测的注意力时间图卷积网络[Submitted on 20 Jun 2020]摘要：精确的实时交通预测是实现智能交通系统的一个核心技术问题。然而，考虑到交通流之间复杂的空间和时间依赖性，这仍然具有挑战性。在空间维度上，由于路网的连通性，相连道路之间的交通流密切相关。在时间因素方面，虽然相邻时间点之间一般存在趋势，但由于交通流也受到外部因素的影响，遥远的过去点的重要性不一定小...

轮播图高度自适应_【2020顶会NIPS】用于交通预测的自适应图卷积循环网络

就idea来说，这篇文章整体感觉亮点只有参数分解一处，其他的自适应网络结构，之前已经有文章研究，如果在计算方面有需求，或者是网络节点较多的应用可以参考这篇文章。Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting摘要：在相关的时间序列数据中建立复杂的时空关联对于理解交通动力学和预测交通系统的未来状态是必不可少的...

面向交通预测的动态图卷积循环神经网络：基准和方法（重磅推荐）

1、文章信息《Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Sol...

【论文翻译】HTVGNN:一种用于交通流量预测的混合时间变化图神经网络

首先提出了一种基于时间变化掩码增强的增强时序感知多头自注意力机制，能够更准确地建模交通网络中不同交通节点之间的动态时间依赖性。其次，我们提出了一种新的图学习策略，以同时学习道路网络中不同交通节点的静态和动态空间关联关系。同时，为了增强时间变化图学习的能力，设计了一种耦合图学习机制，能够耦合每个时间步长学习到的图。

【车流量预测论文】Graph WaveNet for Deep Spatial-Temporal Graph Modeling-20201201

用于深度时空图建模的图波网 Graph WaveNet for Deep Spatial-Temporal Graph Modeling 1.摘要 本文提出了一个新的时空图建模方式，并以交通预测问题作为案例进行全文的论述和实验。交通预测属于时空任务，其面临的挑战就是复杂的空间依赖性和时间依赖性。近年来由于图卷积的火热，加上路网结构和图卷积的契合，在交通领域的应用达到了不错的效果。然而，之前的工作存在一些不足。对空间层面而言，之前的工作往往是在一张固定的图结构上取捕获空间依赖特征，假设实体之间的基本关系是预先

论文详解笔记：Graph WaveNet for Deep Spatial-Temporal Graph Modeling

Graph WaveNet for Deep Spatial-Temporal Graph Modeling 本文提出了一个新的时空图建模方法

深度识别：论文阅读_2S-AGCN CVPR2019（基于骨架的动作识别的两流自适应图卷积网络）

这里写目录标题资料过去问题主要贡献自适应图卷积层自适应图卷积块自适应图卷积网络双流网络 资料 论文：论文 源码：代码 过去问题 图的拓扑是手动设置的，并且固定在所有图层和输入样本上 骨骼数据的二阶信息（骨骼的长度和方向）对于动作识别自然是更有益和更具区分性的，在现有方法中很少进行研究。 ST-GCN图形构建过程中三个缺点： 1.使用的骨架图是启发式预定义的，仅表示人体物理结构，对动作识别不是最佳。 例如读书和拍手，两只手的关系很重要，但是ST-GCN预定义的人体图中彼此距离很远，很难捕获两只手的关系；

GCN论文阅读与代码梳理（1）——AGCRN

传统基于GCN的流量预测需要通过距离或相似度定义邻接矩阵，预先定义的图不能包含关于空间依赖性的完整信息，与预测任务没有直接关系，这可能导致相当大的偏差。此外，如果没有适当的知识，这些方法无法适用于其他领域，使得现有的基于GCN的模型失效。因此，提出了DAGG进行图的自适应学习。 通过两个自适应模块来增强GCN，以完成交通预测任务: Node Adaptive Parameter Learning (NAPL) module（节点自适应参数学习方法）: Data Adaptiv..

【亲测免费】 AGCRN 交通预测模型详解及使用指南

AGCRN 交通预测模型详解及使用指南 1. 项目介绍 Adaptive Graph Convolutional Recurrent Network (AGCRN) 是一种用于交通流量预测的深度学习模型，它结合了图卷积网络（GCN）和循环神经网络（RNN），并引入了节点自适应参数学习（NAPL）和数据自适应图生成（DAGG）模块，动态地捕捉交通序列的时空相关性。该模型在多个数据集上的实验结果显示其...

基于自适应图卷积网络的轨道交通短时客流预测

文章信息论文题目为《Adaptive graph convolutional network-based short-term passenger flow prediction for metro》的一篇2023年5月发表在Journal of Intelligent Transportation Systems的基于自适应图卷积网络的轨道交通短时客流预测文章。摘要随着城市化进程的发展和加快...

Adaptive Propagation Graph Convolutional Network

文章链接 有道翻译的也是用了第一人称。如果有错，一定是你对。 题目：Adaptive Propagation Graph Convolutional Network 自适应传播图卷积网络 摘要： 图卷积网络(GCNs)是一类神经网络模型，通过交叉顶点操作和跨节点的消息传递交换对图数据进行推理。关于后者，出现了两个关键问题:1)如何设计一个可微交换协议(例如，原始GCN中的一跳拉普拉斯平滑)，2)如何在复杂性上描述相对于本地更新的权衡。在本文中，我们展示了最先进的结果可以通过在每个节点上独立地调整通信步数来实

基于图模型的多视图学习——自适应图学习方法

自适应图学习方法是一种在图结构数据上进行机器学习的技术，它能够自动调整图的结构或权重，以便更好地反映数据的真实关系和属性。这种方法在许多领域都有应用，比如社交网络分析、生物信息学、推荐系统、计算机视觉等。自适应图学习通常涉及图神经网络（GNN）、图卷积网络（GCN）或其他基于图的模型。基本概念在自适应图学习中，图的表示通常...

自适应卷积和可变形卷积区别

两种方法的效果和速度并没有绝对的优劣之分，而是取决于具体的应用场景和模型架构。一般来说，自适应卷积比可变形卷积更容易优化，因为它只需要学习卷积核的形状和大小，而不需要学习采样和偏移。但是，在处理高度变形目标时，可变形卷积通常比自适应卷积效果更好。自适应卷积和可变形卷积都是对传统卷积进行改进，以解决传统卷积在处理变形目标时的不足。