FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
Unity Technologies（Unity科技公司）；McGill University（麦吉尔大学）
多元时间序列预测是一个重要问题，在交通管理、蜂窝网络配置和定量金融中有应用。当有一个图可以捕捉时间序列之间的关系时，就会出现问题的特殊情况。在本文中，我们提出了一种新的学习架构，实现性能竞争力或优于现有的最好的算法，而不需要知识的图形。我们提出的架构的关键要素是可学习的全连接硬图门控机制，使使用的国家的最先进的和高计算效率的全连接的时间序列预测架构在交通预测应用。两个公共交通网络数据集的实验结果说明了我们的方法的价值，消融研究证实了每个元素的架构的重要性。代码可以在这里找到：https://github.com/boreshkinai/fc-gaga。
2020-12-14 cs.LG stat.ML
Virginia Polytechnic Institute and State University（弗吉尼亚理工学院暨州立大学）
Accurate forecasting of traffic conditions is critical for improving safety, stability, and efficiency of a city transportation system. In reality, it is challenging to produce accurate traffic forecasts due to the complex and dynamic spatiotemporal correlations. Most existing works only consider partial characteristics and features of traffic data, and result in unsatisfactory performances on modeling and forecasting. In this paper, we propose a periodic spatial-temporal deep neural network (PSTN) with three pivotal modules to improve the forecasting performance of traffic conditions through …
2021-08-05 cs.LG stat.AP stat.ML
A Spatio-Temporal Spot-Forecasting Framework for Urban Traffic Prediction
Artificial Intelligence Department Universidad Nacional de Educación a Distancia — UNED（西班牙马德里国立远程教育大学（UNED）人工智能系）
时空预测是一个开放的研究领域，其兴趣呈指数增长。在这项工作中，我们专注于为时空交通预测创建一个复杂的深度神经框架，该框架具有相对非常好的性能，并且显示出在几种时空条件下的适应性，同时保持易于理解和解释。我们的建议是基于一个可解释的注意力为基础的神经网络，其中几个模块相结合，以捕捉关键的时空时间序列组件。通过大量的实验，我们展示了我们的方法的结果是如何稳定的，比其他国家的最先进的替代品。
2020-04-01 cs.LG eess.SP stat.ML
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
Traffic forecasting problem remains a challenging task in the intelligent transportation system due to its spatio-temporal complexity. Although temporal dependency has been well studied and discussed, spatial dependency is relatively less explored due to its large variations, especially in the urban environment. In this study, a novel graph convolutional network model, Multi-Weight Traffic Graph Convolutional (MW-TGC) network, is proposed and applied to two urban networks with contrasting geometric constraints. The model conducts graph convolution operations on speed data with multi-weighted a…
2021-05-26 cs.LG stat.ML
Probabilistic Traffic Forecasting with Dynamic Regression
McGill University（麦吉尔大学）；University of Minnesota（明尼苏达大学）
本文提出动态回归框架，通过矩阵变量自回归建模基础交通预测模型的误差过程并重新设计损失函数，实现概率预测且保留原始输出，在SOTA模型上验证了性能提升和可解释性。
2025-04-08 cs.LG stat.ML
Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting
Argonne National Laboratory（阿贡国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
公路交通建模和预测方法是智能交通系统的关键。最近，基于深度学习的交通预测方法已经成为广泛的交通预测任务的最新技术。然而，这些方法需要大量的训练数据，其需要在相当长的时间段内收集。这可能会对缺乏历史数据的高速公路网络的数据驱动学习方法的开发和部署提出许多挑战。解决这个问题的一个有前途的方法是迁移学习，其中在公路网的一部分上训练的模型可以适应公路网的不同部分。我们专注于扩散卷积递归神经网络（DCRNN），一个国家的最先进的图神经网络的公路网预测。它使用递归神经网络中基于图形的扩散卷积操作来模拟高速公路网络的复杂空间和时间动态。然而，DCRNN不能执行迁移学习，因为它学习特定于位置的流量模式，而这些流量模式不能用于网络中看不见的区域。为此，我们为DCRNN开发了一种新的迁移学习方法，其中在高速公路网络的数据丰富区域上训练的单个模型可用于预测高速公路网络中看不见的区域的交通。我们评估我们的方法来预测整个加州高速公路网的交通与一年的时间序列数据的能力。我们表明，TL-DCRNN可以从加州高速公路网络的几个地区学习，并预测交通网络的不可见的区域具有很高的精度。此外，我们证明了TL-DCRNN可以从旧金山地区的交通数据中学习，并可以预测洛杉矶地区的交通，反之亦然。
2020-04-20 cs.LG stat.ML
Traffic Flow Combination Forecasting Method Based on Improved LSTM and ARIMA
Hainan University（海南大学）；University of Chinese Academy of Science（中国科学院大学）
交通流预测是智能交通系统建设的研究热点。现有的交通流预测方法存在稳定性差、数据要求高或适应性差等问题。本文在丢包模块中定义了交通数据时间奇异率，提出了一种基于改进的长短期记忆神经网络和时间序列自回归积分滑动平均模型（SDLSTM-ARIMA）的组合预测方法。该方法将交通数据的时间奇异性与丢弃模块中的概率值进行比较，并将其以不等时间间隔进行组合，实现对交通流数据的准确预测。然后，设计了一个能够适应Java、Python等语言和接口的自适应交通流嵌入式系统。实验结果表明，基于SDLSTM-ARIMA模型的方法比仅使用自回归积分滑动平均或自回归的方法具有更高的精度。我们集成计算机视觉、机器学习和云的嵌入式交通预测系统具有高准确性、高可靠性和低成本等优势。因此，它具有广泛的应用前景。
2019-06-25 cs.LG stat.ML
Traffic4cast-Traffic Map Movie Forecasting -- Team MIE-Lab
Institute of Cartography and Geoinformation, ETH Zurich（苏黎世联邦理工学院制图与地理信息研究所）；Visual Geometry Group, University of Oxford（牛津大学视觉几何组）
IARAI竞赛traffic 4cast的目标是根据前一小时的信息，在15分钟的时间窗口内预测全市的交通状况。交通状况以多通道图像的形式给出（一个像素大致对应于100 x100米），其中一个通道表示交通量，另一个通道表示车辆的平均速度，第三个通道表示车辆的大致航向。作为竞赛工作的一部分，我们评估了许多不同的网络架构，详细分析了给定数据的统计特性，并考虑如何将问题转换为能够考虑其他时空上下文信息的问题，例如街道网络，交通灯的位置或天气。本文档总结了我们为获得最佳提交所做的努力，并提供了一些关于我们评估的其他方法的见解，以及为什么它们没有想象中的那么好。
2019-11-21 cs.CV cs.LG stat.ML
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
UNSW（新南威尔士大学）；University of Technology Sydney（悉尼科技大学）；Griffith University（格里菲斯大学）
在相关的时间序列数据中建模复杂的空间和时间相关性对于理解交通动态和预测不断发展的交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图神经网络架构，以捕捉共享模式的帮助下，预定义的图。在本文中，我们认为，学习节点特定的模式是必不可少的流量预测，而预定义的图是可以避免的。为此，我们提出了两个自适应模块，以增强图卷积网络（GCN）的新功能：1）节点自适应参数学习（NAPL）模块捕捉节点特定的模式; 2）数据自适应图生成（DAGG）模块，自动推断不同的流量序列之间的相互依赖关系。我们进一步提出了一个自适应图卷积递归网络（AGCRN）自动捕获细粒度的空间和时间相关性的流量序列的基础上的两个模块和递归网络。我们在两个真实世界的流量数据集上的实验表明，AGCRN在没有预定义的空间连接图的情况下，性能明显优于最先进的算法。
2020-10-22 cs.LG stat.ML
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
Peking University（北京大学）；Beijing Institute of Big Data Research（北京大数据研究院）
及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法往往不能满足中长期预测任务的要求，且往往忽略了时空相关性。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。我们没有应用常规的卷积和递归单元，而是将问题公式化在图上，并使用完整的卷积结构构建模型，这可以用更少的参数实现更快的训练速度。实验表明，我们的模型STGCN有效地捕捉全面的时空相关性，通过建模多尺度的交通网络，并始终优于各种现实世界的交通数据集的最先进的基线。
2018-07-12 cs.LG stat.ML
A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting
Central South University（中南大学）
准确的实时交通预测是智能交通系统实施的核心技术问题。然而，考虑到交通流之间复杂的空间和时间依赖性，它仍然具有挑战性。在空间维度上，由于道路网的连通性，相连道路之间的交通流是密切相关的。就时间因素而言，虽然一般来说相邻时间点之间存在趋势，但由于交通流量也受外部因素的影响，因此遥远过去点的重要性不一定小于最近过去点的重要性。在这项研究中，注意力时间图卷积网络（A3 T-GCN）的流量预测方法，提出了同时捕捉全球时间动态和空间相关性。A3 T-GCN模型通过门控递归单元学习时间序列中的短时趋势，并通过图卷积网络学习基于道路网络拓扑的空间依赖性。此外，引入注意力机制，调整不同时间点的重要性，并整合全局时间信息，以提高预测精度。在真实数据集上的实验结果证明了A3 T-GCN的有效性和鲁棒性。源代码可以访问https://github.com/lehaifeng/T-GCN/A3T。
2020-06-20 cs.LG stat.ML
Stacked Bidirectional and Unidirectional LSTM Recurrent Neural Network for Forecasting Network-wide Traffic State with Missing Values
University of Washington（华盛顿大学）
近年来，基于深度学习方法，特别是递归神经网络（RNN）的短期流量预测备受关注。然而，在时空数据的预测能力和处理丢失数据的能力方面，基于RNN的模型在交通预测中的潜力尚未得到充分利用。在本文中，我们专注于基于RNN的模型，并试图重新制定将RNN及其变体纳入流量预测模型的方法。提出了一种堆叠的双向和单向LSTM网络架构（SBU-LSTM），用于辅助交通状态预测的神经网络结构设计。作为该架构的关键组件，双向LSTM（BDLSM）被用来捕获时空数据中的前向和后向时间依赖性。为了处理时空数据中的缺失值，我们还提出了一种LSTM结构中的数据填补机制（LSTM-I），通过设计一个填补单元来推断缺失值并辅助流量预测。LSTM-I的双向版本被整合到SBU-LSTM架构中。两个真实世界的网络范围内的交通状态数据集被用来进行实验，并公布，以促进进一步的交通预测研究。评估了多种类型的多层LSTM或BDLSTM模型的预测性能。实验结果表明，所提出的SBU-LSTM架构，特别是两层BDLSTM网络，可以在准确性和鲁棒性方面实现网络范围流量预测的优异性能。此外，综合比较结果表明，所提出的数据填补机制在基于RNN的模型可以实现突出的预测性能时，模型的输入数据包含不同模式的缺失值。
2020-05-24 cs.LG eess.SP stat.ML
Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting
College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Alibaba Group（阿里巴巴集团）
交通预测对交通管理和公共安全具有重要意义，但由于道路网络和交通状况的复杂时空相关性和本质不确定性，交通预测具有很大的挑战性。最近的研究主要集中在利用图卷积网络（GCN）在整个固定的加权图的空间依赖建模。然而，边缘，即，成对节点之间的相关性要复杂得多，并且彼此交互。在本文中，我们提出了多范围注意双分量GCN（MRA-BGCN），一种新的深度学习模型的流量预测。我们首先根据道路网络距离建立节点图，根据各种边的相互作用模式建立边图。然后，我们使用双分量图卷积实现节点和边的交互。引入多范围注意力机制，聚合不同邻域范围内的信息，自动学习不同邻域范围的重要性。在METR-LA和PEMS-BAY两个真实路网交通数据集上的实验表明，本文提出的MRA-BGCN算法达到了最佳的效果。
2019-11-27 cs.LG stat.ML
The University of Auckland（奥克兰大学）
Traffic flow forecasting is a crucial task in urban computing. The challenge arises as traffic flows often exhibit intrinsic and latent spatio-temporal correlations that cannot be identified by extracting the spatial and temporal patterns of traffic data separately. We argue that such correlations are universal and play a pivotal role in traffic flow. We put forward {spacetime interval learning} as a paradigm to explicitly capture these correlations through a unified analysis of both spatial and temporal features. Unlike the state-of-the-art methods, which are restricted to a particular road n…
2022-02-01 cs.LG stat.ML
T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction
Central South University（中南大学）；Georgia Institute of Technology（佐治亚理工学院）；Peking University（北京大学）；Zhejiang University（浙江大学）
准确、实时的交通预测是智能交通系统的重要组成部分，对城市交通规划、交通管理和交通控制具有重要意义。然而，由于城市道路网络拓扑结构的约束和随时间动态变化的规律，即空间依赖性和时间依赖性，交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间和时间依赖性，提出了一种新的基于神经网络的流量预测方法--时间图卷积网络（T-GCN）模型，该模型结合了图卷积网络（GCN）和门控递归单元（GRU）。具体来说，GCN用于学习复杂的拓扑结构，以捕获空间依赖性和门控递归单元用于学习交通数据的动态变化，以捕获时间依赖性。然后，将T-GCN模型应用于城市道路网络的交通预测。实验表明，我们的T-GCN模型可以从交通数据中获得时空相关性，并且在现实世界的交通数据集上的预测性能优于最先进的基线。我们的T-GCN的tensorflow实现可以在https://github.com/lehaifeng/T-GCN上找到。
2018-12-31 cs.LG stat.ML
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University（清华大学）
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同，我们的方法结合了所有的空间和时间信息，在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量（交通流）进行排序预测，并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中，给定导出的原因节点和相应的结果节点，采用高斯混合模型描述输入和输出之间的统计关系。最后，在最小均方误差（M.M.S.E.）准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
DETNO: A Diffusion-Enhanced Transformer Neural Operator for Long-Term Traffic Forecasting
Applied Research, Quantiphi（Quantiphi应用研究）
本文提出DETNO架构，将Transformer神经常微分算子与扩散细化相结合，通过渐进去噪重建高频交通细节，解决长期交通预测中平滑导致的误差累积问题，在混沌交通数据上实现更稳定的扩展滚动预测。
2025-08-26 cs.LG stat.AP
Deep Learning applied to Road Traffic Speed forecasting
Mediamobile（Mediamobile 公司）；Institut de Mathématiques de Toulouse（图卢兹数学研究所）；INSA（法国国立应用科学学院）
在本文中，我们提出了深度学习架构（FNN，CNN和LSTM）来预测时间相关数据的回归模型。这些算法的目的是处理浮动车数据（FCD）的历史速度预测道路交通数据。为此，我们以创新的方式将速度聚合到网络输入中。我们比较了一个简单的物理模型的结果，从而获得的RMSE，并表明，后者达到更好的RMSE精度。我们还提出了一个新的指标，它评估算法的改进相比，基准预测。最后，我们质疑使用深度学习方法来完成这个特定的回归任务的兴趣。
2017-10-02 cs.LG cs.NE stat.AP
Comparison of several short-term traffic speed forecasting models
Ateneo de Manila University（马尼拉雅典耀大学）
近年来，智能手机的广泛采用使我们能够收集大量的交通数据。司机手机上安装的特殊软件使我们能够收集他们车辆在道路网络上的GPS轨迹。在本文中，我们模拟多个代理的道路网络上的轨迹，并使用各种模型来预测短期的交通速度的各个环节。我们的研究结果表明，传统的技术，如多元回归和人工神经网络工作良好，但更简单的自适应模型，不需要事先训练也表现得相对较好。
2016-09-06 cs.CV math.PR stat.AP
Mobility-based Traffic Forecasting in a Multimodal Transport System
African Institute for Mathematical Sciences (AIMS)（非洲数学科学研究所）；Cheikh Anta Diop University（谢赫·安塔·迪奥普大学）
本文研究多模式交通系统中的交通预测问题，利用人口移动数据探索机器学习方法，基于人员移动对交通网络影响的历史观察来预测网络拥堵。
2024-11-05 cs.LG cs.SI physics.soc-ph
