用于交通流预测的时间多图卷积网络

【交通流预测论文】基于时空自监督学习的交通流预测

在智能交通系统中，对不同时间段的城市交通流量进行鲁棒预测是至关重要的。虽然以往的研究在建立时空相关性模型方面做了大量的工作，但现有的方法仍然存在两个关键的局限性:1)大多数模型集中预测所有区域的交通流量，而没有考虑空间异质性，即不同区域的交通流量分布可能存在偏差。ii)这些模型无法捕捉时变交通模式引起的时间异质性，因为它们通常是在所有时间段内与共享参数化空间进行时间相关性建模。

【交通流预测】TFGAN: 《基于多图卷积网络的生成对抗网络流量预测》论文详解

定义：根据道路上的历史交通数据来预测未来的交通网络状况。挑战性：由于数据的非欧几里得结构、复杂的空间相关性和交通模式的动态时间依赖性空间和时间相关性之间的干扰交通模式通常是每天或每周周期性的每日数值显示了高峰和非高峰时段的拥堵变化模式，每周数值显示了工作日和周末的流量波动模式以往研究：多变量时间序列(MTS)包括多个与时间相关的变量，每个变量依赖于其早期的值以及来自其他相关变量的值（即，道路网络中任何节点的未来交通不仅依赖于其历史交通，还依赖于网络中的其他节点大多采用具有限制表示的。

图卷积神经网络笔记——第六章：（２）基于PyTorch的交通流量预测

上一小节介绍了交通流量数据的处理，主要是把拿到的数据的结构信息（邻接矩阵）和节点信息（流量数据）处理成了模型所需要的train_data和test_data，上一小节： 链接. 这一小节基于上节的交通流量数据来构造图卷积模型，预测未来时刻的交通流量情况．分别使用GCN,Chebnet和GAT三种模型来构造． ...

基于多图卷积-循环神经网络的地铁短时客流预测

1 文章信息论文题目为《Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow》的一篇2022年10月发表在IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS的基于多图...

Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction

Temporal Multi-Graph Convolutional Network for Traffic Flow Prediction 1. 文章概述 作者认为距离较远的道路之间更多的语义成对关联对于交通流预测也是至关重要的，为了联合建模道路网络中具有各种全局特征的空间、时间、语义相关性，提出了一种深度学习的交通流预测框架——时间多图卷积网络。本文主要工作如下： 根据不同语义关联构建了多个图 使用循环神经网络建模时间关联 全连接层融合时空关联和全局特征 三种依赖关系： 空间相关性：相邻路段对道路

Cross-Attention Fusion Based Spatial-Temporal MGCN for Traffic Flow Prediction阅读笔记

论文：基于交叉注意融合的时空多图卷积网络交通流预测

时空图神经网络阅读笔记

文章目录STGCN摘要方法DCRNN摘要方法Graph WaveNet摘要方法ASTGCN STGCN 摘要 传统方法无法实现精确的中长期预测，忽视时空相关性。我们提出了一种新颖的时空图卷积网络，采用了全卷积结构。 方法 图卷积：GCN 时间卷积：卷积核在时间维度上滑动，对于长度为MMM的序列和宽度为KtK_tKt​的卷积核，输出长度为M−Kt+1M-K_t+1M−Kt​+1，最后使用了门控机制GLU T∗τY=P⊙σ(Q) T *_{\tau}Y=P\odot\sigma(Q) T∗τ​Y=P⊙σ(Q)

时空图卷积神经网络（STGCN）：一个用于交通预测的神经网络框架

论文简介 北大发表在IJCAI 2018的一篇论文，论文题目：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting，谷歌学术被引量296。 论文背景 实时交通预测是一个重要而复杂的问题，因为其不仅存在高度非线性和复杂的交通流，传统的预测方法经常忽视了时间和空间上的依赖。 交通预测研究中，通常选择速度、流量、密度来显示和监视当前的交通状态，根据预测的长度，可以分为短期交通预

时空图卷积网络：一种用于交通预测的深度学习框架

由于交通流的高度非线性和复杂性，传统方法不能满足中长期预测任务的要求，其往往忽略了空间和时间依赖性。在本文中，我们提出了一种新的深度学习框架，时空图卷积网络（STGCN），以解决交通领域的时间序列预测问题（即交通预测）。我们不使用正则卷积和循环单元，而是在图上描述问题，并建立具有完整卷积结构的模型，这使得训练速度更快，参数更少。 交通研究中，交通流的基本变量，即速度、交通量和密度，通常被选为监测交通状况的当前状态的和预测未来的指标。根据预测的长度，交通预测通常分为两个尺度：短期（5∼ 30分钟），中长期（

交通流量预测-混合注意力时空图卷积-ASTGCN

Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting 论文简介论文背景摘要相关研究论文所做的工作符号定义和问题定义ASTGCN实现 论文简介 发表时间：2019 AAAI 发表单位：北京交通大学 论文链接：https://aaai.org/ojs/index.php/AAAI/article/download/3881/3759 PPT链接：https://github.com/D

Pytorch复现STGCN:基于图卷积时空神经网络在交通速度中的预测

1：论文信息 1.1：论文思路 1.2：摘要引言总结

【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。

交通流预测爬坑记（一）：交通流数据集，原始数据

常用的交通流数据集，持续更新~~

STGCN时空图卷积网络:用于交通预测的深度学习框架

提出了一种新的深度学习架构——时空图卷积网络，用于交通预测任务。该架构包括几个时空卷积块，它们是图卷积层[Defferrard等人，2016]和卷积序列学习层的组合，以建模空间和时间依赖性。据我们所知，在交通研究中应用纯卷积结构同时从图结构时间序列中提取时空特征尚属首次。我们在两个真实世界的交通数据集上评估我们提出的模型。实验表明，该框架在具有多个预估长度和网络规模的预测任务中性能优于现有的基线。

(19) 交通预测---基于时空注意力机制的图卷积神经网络

交通预见未来(19): 交通预测---基于时空注意力机制的图卷积神经网络 1、文章信息 《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffc Flow Forecasting》。 北京交通大学博士生校友2019年初发在AAAI顶会上的一篇文章。 2、摘要 针对交通流预测问题，提出了一种基于注意力...

【AAAI】用于交通流预测的基于注意力的时空图卷积网络

对于交通领域的研究人员和从业者来说，预测交通流量是一个关键问题。然而，这是非常具有挑战性的，因为交通流通常表现出高度的非线性和复杂的模式。现有的交通流预测方法大多缺乏对交通数据动态时空相关性的建模能力，因此无法产生令人满意的预测结果。在本文中，作者提出了一种新的基于注意力的时空图卷积网络（ASTGCN）模型来解决交通流预测问题。ASTGCN主要由三个独立的组件组成，分别对交通流的三个时间属性进行建模，即“近期”、“日周期”和“周周期”依赖关系。更具体地说，每个组件包含两个主要部分G=(V,...

T-GCN:用于交通流预测的时序图卷积网络

1.文章信息本次介绍的文章是2020年发表在IEEE 智能交通系统汇刊上的《T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction》。2.摘要为了同时捕获空间和时间依赖性，本文提出了一种新的基于神经网络的交通流预测方法——时间图卷积网络(T-GCN)模型，该模型将图卷积网络(GCN)和门控循环单元(GRU)相结合。...