Revisiting the Platonic Representation Hypothesis: An Aristotelian View
针对神经网络表征收敛于统一统计模型的柏拉图式假说,本文发现现有相似性度量受网络规模混淆,提出基于置换的零校准框架,揭示全局谱收敛在校准后消失,而局部邻域相似性(非距离)仍跨模态一致,据此提出亚里士多德式表征假说。
2026-06-26 cs.AI cs.CV cs.LG
Revisiting LocalSGD and SCAFFOLD: Improved Rates and Missing Analysis
IST Austria(IST奥地利);CISPA Helmholtz Center(CISPA亥姆霍兹中心);MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文在更弱的条件下重新分析了LocalSGD和SCAFFOLD的收敛性,证明LocalSGD在弱凸函数上无需强梯度相似性即可优于MbSGD,且受益于高阶相似性,而SCAFFOLD在更广的非二次函数上更快,提供了清晰的理论优势条件。
2025-02-24 cs.DC cs.LG math.OC
Exploring Semantic Clustering and Similarity Search for Heterogeneous Traffic Scenario Graph
KIT Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);FZI Research Center for Information Technology(信息技术研究所以)
本文提出异构时空图模型表示交通场景,并结合图神经网络与自监督对比学习及自举方法学习通用嵌入空间,在nuPlan数据集上验证了无需标签即可实现场景语义聚类与相似性检索,为自动驾驶仿真测试的高效场景选择奠定基础。
2025-07-07 cs.LG
Anomaly Detection in Event-triggered Traffic Time Series via Similarity Learning
Department of Computer Science and Technology, Tongji University(同济大学计算机科学与技术系);Zhejiang University(浙江大学)
本文提出一种基于分层多分辨率自编码器与高斯混合模型的无监督相似性学习框架,用于事件触发时间序列的异常检测,实验表明其性能显著优于现有方法。
2025-06-20 cs.LG
Improving Ads-Profitability Using Traffic-Fingerprints
MIM Solutions(MIM解决方案公司);IDEAS NCBR(IDEAS国家研究与发展中心);University of Warsaw(华沙大学);HitDuck(HitDuck公司)
本文介绍了流量指纹的概念,即流量指纹,归一化的24维向量表示网页上的每日流量的分布。使用k-均值聚类,我们发现,流量指纹的相似性与这些页面上显示的广告的盈利时间模式的相似性有关。换句话说,这些指纹与转化率相关,因此我们可以在流量可以忽略不计的页面上讨论转化率。通过阻止或解锁整个页面集群,我们能够将在线活动的收入增加50%以上。
2022-05-31 cs.IR cs.LG
Revisiting Neural Retrieval on Accelerators
Meta Platforms, Inc.(元平台公司)
针对点积难以建模复杂高秩用户-物品交互的问题,提出 MoL 与 h-indexer,在单 GPU 扩展至亿级语料并显著提升命中率、降低流行度偏差。
2023-06-06 cs.IR cs.LG
Self Supervised Clustering of Traffic Scenes using Graph Representations
FZI Research Center for Information Technology(FZI信息技术研究中心);KIT - Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
检查图的相似性是一个众所周知的挑战,但对于将图分组在一起是强制性的。我们提出了一种数据驱动的方法来聚类交通场景,这是自我监督,即没有手动标记。我们利用语义场景图模型来创建一个通用的图形嵌入的交通场景,然后映射到一个低维嵌入空间,使用暹罗网络,在其中进行聚类。在我们的新方法的训练过程中,我们增加现有的交通场景中的笛卡尔空间,以产生积极的相似性样本。这使我们能够克服重建图的挑战,同时获得一个表示来描述交通场景的相似性。我们可以证明,由此产生的集群具有共同的语义特征。该方法在INTERACTION数据集上进行了评估。
2022-11-24 cs.CV cs.LG cs.RO
Traffic Scene Similarity: a Graph-based Contrastive Learning Approach
FZI Research Center for Information Technology(FZI信息技术研究中心);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文提出一种基于图的对比学习方法,将交通场景映射到有意义的嵌入空间并形成主题簇,从而识别相似场景、减少高度自动化驾驶验证中的冗余测试。
2023-09-18 cs.CV cs.LG
Small Graph Is All You Need: DeepStateGNN for Scalable Traffic Forecasting
Kiel University(基尔大学);University of Southern California(南加州大学)
本文提出 DeepStateGNN,通过多相似性准则将传感器聚类为固定数量的 Deep State Nodes,以提升大规模交通网络上预测与重构的可扩展性、训练速度和精度。
2025-02-20 cs.AI cs.LG
Application of the Affinity Propagation Clustering Technique to obtain traffic accident clusters at macro, meso, and micro levels
Federal University of Rio Grande do Sul(南里奥格兰德联邦大学)
事故分组是确定事故多发地点的关键步骤。在不同的事故分组模式中,聚类方法在发现事故在空间上的不同分布方面表现出优异的性能。这项工作介绍了相似性传播聚类(APC)方法分组交通事故的基础上,在空间中的数据点分布之间的相似性和相异性的标准。APC从实例之间的相似性矩阵提供了事件分布的更真实的表示。结果表明,当获得具有代表性的数据样本时,相似性偏好参数为模型的校准和根据期望特征生成聚类提供了必要的性能。此外,研究表明,偏好参数作为一个连续的参数,有利于校准和控制模型的收敛性,允许发现聚类模式与更少的努力和更大的控制结果
2022-02-09 cs.DC cs.LG
Spatio-Temporal Latent Graph Structure Learning for Traffic Forecasting
Southwest Jiaotong University(西南交通大学)
准确的交通预测是智能交通系统(ITS)的基础,由于智能城市和城市计算的繁荣,它从未像现在这样重要。近年来,图神经网络的研究取得了令人瞩目的成就.然而,最传统的基于GNN的模型在给定预定义的图结构时工作良好。而现有的图结构定义方法只关注图的空间相关性,而忽略了图的时间相关性。此外,在整个训练过程中应用的静态预定义图邻接的语义总是不完整的,从而忽略了可能微调模型的潜在拓扑。为了解决这些问题,我们提出了一种新的流量预测框架-时空潜图结构学习网络(ST-LGSL)。更具体地说,该模型采用了基于多层感知器和K-最近邻的图生成器,该图生成器从考虑空间和时间动态的整个数据中学习潜在图拓扑信息。此外,MLP-kNN的初始化的基础上的地面真值邻接矩阵和相似性度量的kNN,ST-LGSL聚合的拓扑结构集中的地理和节点的相似性。此外,所生成的图充当与扩散图卷积和门控时间卷积网络相结合的时空预测模块的输入。在真实世界的两个基准测试数据集上的实验结果表明,ST-LGSL优于各种类型的最先进的基线。
2022-05-17 cs.LG
Measuring Similarity of Interactive Driving Behaviors Using Matrix Profile
Carnegie Mellon University(卡内基梅隆大学);University of California, Berkeley(加州大学伯克利分校);Tsinghua Automotive Research Institute (Suzhou)(清华苏州汽车研究院)
利用时间序列观测来理解多车交互行为对于自主车辆在不确定的交通环境中做出适当的决策至关重要。按需相似性度量对于自动驾驶车辆通过聚类和分类不同场景来处理大规模交互驾驶行为具有重要意义。本文提出了一种通用的方法来衡量时空相似性的互动行为,使用多元矩阵轮廓技术。该方法的关键吸引人的特点是其优越的空间和时间复杂度,实时在线计算的流量数据流,并可能利用硬件并行计算的能力。通过从序列数据中自动发现交叉口相似交互驾驶行为,验证了该方法的有效性。
2020-03-11 cs.AI cs.LG
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测,通过整合去噪分数模型与图神经网络,在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
Twitter-based traffic information system based on vector representations for words
Virginia Tech(弗吉尼亚理工学院)
最近,研究人员对利用Twitter数据动态监测交通状况表现出越来越大的兴趣。词袋表示是一种常用的tweet建模和交通信息检索方法,但它存在维数灾难和稀疏性。为了解决这些问题,我们的具体目标是提出一个简单而强大的框架上的词嵌入区分交通相关的tweets对非交通相关的。在我们提出的模型中,一条推文被归类为交通相关的,如果它的话和一小部分的交通关键字之间的语义相似度超过阈值。词之间的语义相似性是通过词嵌入模型来捕获的,这是一种无监督学习工具。所提出的模型简单到只有一个可训练参数。该模型利用突出的优点,这是通过几个评价步骤证明。我们提出的模型的最先进的测试准确率为95.9%。
2018-12-04 cs.IR cs.LG stat.ML
TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework
Hunan University(湖南大学)
本文提出 TrafficGPT 时空智能体框架,通过需求解析、交通预测、建议可视化三个智能体支持多尺度交通分析、生成与交互,并在五个真实道路数据集上验证其性能。
2024-05-08 cs.AI cs.LG
Detection of Anomalous Vehicular Traffic and Sensor Failures Using Data Clustering Techniques
CNR(意大利国家研究委员会)
本研究利用聚类技术分析高速公路传感器交通数据,提出基于距离异常分数的检测方法,有效识别传感器故障和异常拥堵,误报率低,适用于实时监控。
2025-04-01 cs.LG
DistTune: Distributed Fine-Grained Adaptive Traffic Speed Prediction for Growing Transportation Networks
Norwegian University of Science and Technology(挪威科技大学);Simula Research Laboratory(Simula研究实验室)
在过去的十年中,已经引入了许多方法用于交通速度预测。然而,提供细粒度的,准确的,时间有效的,和自适应的交通速度预测的不断增长的交通网络的规模不断增加和新的交通检测器不断部署还没有得到很好的研究。针对这一问题,提出了基于长短期记忆(LSTM)和Nelder-Mead方法的DistTune算法。每当遇到未处理的检测器时,DistTune就决定是否应该通过将检测器与其他已处理的检测器在它们观察到的标准化流量速度模式方面进行比较来为该检测器定制LSTM模型。如果发现相似性,DistTune会直接与此检测器共享现有的LSTM模型,以实现高效的处理。否则,DistTune会为检测器定制一个LSTM模型,以实现细粒度预测。为了使DistTune更加节省时间,DistTune在计算节点集群上并行执行。为了实现自适应交通速度预测,DistTune还为由于交通速度模式变化而导致预测精度不满意的检测器提供了LSTM重新定制。在加利福尼亚州的I5-N高速公路收集的交通数据的基础上进行了广泛的实验,以评估DistTune的性能。结果表明,DistTune为不断增长的交通网络提供了细粒度,准确,时效性和自适应的交通速度预测。
2021-05-19 cs.LG
DeepCRCEval: Revisiting the Evaluation of Code Review Comment Generation
Institute of Software, Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Kuaishou Technology(快手科技);Sinosoft Company Limited(中软公司)
本文提出 DeepCRCEval 评估框架,结合人工与 LLM 评估者,克服了传统文本相似度指标的局限,有效区分代码审查注释质量,并引入 LLM-Reviewer 基线模型以聚焦生成目标。
2025-01-25 cs.AI cs.CL cs.LG
eMargin: Revisiting Contrastive Learning with Margin-Based Separation
Department of Computer Science, Norwegian University of Science and Technology, Norway(挪威科学技术大学计算机科学系);Department of Computer Science, United States Naval Academy, USA(美国海军学院计算机科学系)
本文提出在时间序列对比学习损失中引入基于相似度阈值的自适应间隔 eMargin,并在三个基准数据集上验证其在无监督聚类上优于基线但在下游线性分类中表现受限。
2025-07-20 cs.AI cs.LG
Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation
College of Engineering, Qatar University(卡塔尔大学工程学院)
有效的城市交通管理对于任何智慧城市计划都很重要。因此,传感交通数据的质量至关重要。然而,与任何传感数据一样,城市交通数据也容易出现不完善的情况,从而导致测量数据缺失。本文主要研究区域间交通数据的补齐问题。我们将区域间流量建模为一个时空张量,该张量存在测量缺失的问题。为了恢复丢失的数据,我们提出了一个增强的CANDECOMP/PARAFAC(CP)完成的方法,考虑城市和时间方面的交通。为了获得城市特征,我们将研究区域划分为区域。然后,对于每个区域,我们计算城市特征向量的启发,从生物多样性,用于计算城市相似性矩阵。为了挖掘时间方面,我们首先进行熵分析,以确定最规则的时间序列。然后,我们进行联合傅立叶和相关分析,计算其周期性和构造的时间矩阵。城市和时间矩阵被送入一个修改后的CP完成目标函数。为了解决这个问题,我们提出了一个交替的最小二乘方法,操作的矢量化版本的输入。我们进行了全面的比较研究与两个评估方案。在第一个中,我们模拟随机缺失值。在第二种情况下,我们模拟给定区域和持续时间的缺失值。我们的研究结果表明,我们的方法提供了有效的恢复性能达到26%的改善相比,最先进的CP方法和35%相比,最先进的生成模型为基础的方法。
2021-03-12 cs.LG
Deep Representation Learning and Clustering of Traffic Scenarios
BMW Group(宝马集团);Technical University of Munich(慕尼黑工业大学)
确定交通场景空间是自动驾驶功能认证和覆盖评估的主要挑战。在目前的方法,主要是基于网络和依赖于专家知识,我们介绍了两个数据驱动的自动编码模型,学习交通场景的潜在表示。首先是基于CNN的时空模型,其自动编码交通参与者的位置的网格。其次,我们开发了一个基于纯时间RNN的模型,它可以自动编码一系列集合。为了处理无序集合数据,我们必须结合置换不变性。最后,我们展示了如何潜在的场景嵌入可用于聚类交通场景和相似性检索。
2020-07-15 cs.LG stat.ML
Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks
Huawei Technologies(华为技术有限公司);The Chinese University of Hong Kong(香港中文大学)
电信网络在现代社会中发挥着至关重要的作用。随着5G网络的到来,这些系统变得更加多样化、集成化和智能化。交通量预测是交通量预测系统的关键组成部分之一,然而,由于复杂的时空依赖性,它是特别具有挑战性的。在这项工作中,我们考虑这个问题,从蜂窝网络的方面和它的基站之间的相互作用。我们彻底调查的蜂窝网络流量的特点,并阐明依赖复杂性的基础上收集的数据,从人口稠密的大都市地区。具体来说,我们观察到,交通表现出动态和静态的空间依赖性,以及不同的循环时间模式。为了解决这些复杂性,我们提出了一种有效的基于深度学习的方法,即时空混合图卷积网络(STHGCN)。它采用GRU模型的时间依赖性,同时捕捉复杂的空间依赖性,通过混合GCN从三个角度:空间接近,功能相似性,最近的趋势相似性。我们对从电信网络收集的真实流量数据集进行了广泛的实验。我们的实验结果证明了所提出的模型的优越性,因为它始终优于经典方法和最先进的深度学习模型,同时更健壮和稳定。
2020-09-17 cs.LG eess.SP stat.ML
TITAN: A Spatiotemporal Feature Learning Framework for Traffic Incident Duration Prediction
Virginia Tech(弗吉尼亚理工大学);George Mason University(乔治梅森大学)
交通事件关键阶段的识别和事件持续时间的合理预测是交通事件管理的基础。在本文中,我们提出了一个交通事件持续时间预测模型,同时预测交通事件的影响,并确定通过多任务学习框架的时间特征的关键组。首先,我们制定了一个稀疏优化问题,提取低层次的时间特征的基础上,交通速度读数,然后概括为交通事件的阶段更高层次的功能。第二,我们提出了新的约束特征相似性利用先验知识的道路网络的空间连通性来预测事件的持续时间。由于正交性约束、非凸性目标和非光滑性惩罚,所提出的问题是具有挑战性的。我们开发了一个算法的基础上交替方向的乘子法(ADMM)框架来解决所提出的配方。大量的实验和比较其他模型的真实世界的交通数据和交通事件记录证明我们的模型的有效性。
2019-11-20 cs.LG stat.ML
Revisiting Meta-Learning with Noisy Labels: Reweighting Dynamics and Theoretical Guarantees
University of California, San Diego(加州大学圣地亚哥分校)
本文对元学习重加权在标签噪声下的训练动力学进行三阶段理论分析,并提出轻量级替代方法,在合成和真实基准上优于强基线。
2025-10-14 cs.AI cs.LG
Revisiting Attention for Multivariate Time Series Forecasting
School of Computer Science and Communication Engineering, Jiangsu University(江苏大学计算机科学与通信工程学院)
本文重新审视多变量时间序列预测中的注意力机制,提出基于频域的FSatten和基于正交嵌入的SOatten,两者均优于传统注意力,可作为基础注意力机制的替代方案。
2024-07-18 cs.AI cs.LG
Traffic Prediction with Transfer Learning: A Mutual Information-based Approach
在现代交通管理中,最基本也是最具挑战性的任务之一是准确、及时地预测交通量。已经充分研究和检验了基于深度学习的时空模型在利用交通数据中的时空关系时具有优势。通常,数据驱动模型需要大量数据,但由于设备部署和维护成本等限制,在小城市收集数据可能很困难。为了解决这个问题,我们提出了一种跨城市交通预测方法,它使用来自其他城市的大数据来帮助数据稀缺的城市进行交通预测。利用基于相似性的转移范式,它识别数据相似性,并减少由来自遥远城市的两个数据分布之间的差异引起的负转移。此外,建议的方法采用图形重建技术,以纠正缺陷的数据从小数据城市。通过对三个真实世界数据集的综合案例研究,对ApricTL进行了评估,其性能优于最先进的基线约8%至25%。
2023-03-13 cs.AI cs.LG
Revisiting Backdoor Attacks on Time Series Classification in the Frequency Domain
Fudan University(复旦大学)
针对现有时间序列分类后门攻击效果差、复杂度高的问题,提出频域指导的FreqBack方法,在多模型多数据集上实现超90%攻击成功率且干净数据准确率下降不足3%。
2025-05-17 cs.AI cs.CR cs.LG
Prediction is not Explanation: Revisiting the Explanatory Capacity of Mapping Embeddings
Universität Hamburg(汉堡大学)
本文质疑用特征规范预测准确率解释词嵌入知识的做法,证明该方法可预测随机信息,结果主要受算法上界和几何相似性影响,而非真实语义表示。
2025-08-19 cs.AI cs.CL cs.LG
Clustering of Urban Traffic Patterns by K-Means and Dynamic Time Warping: Case Study
Snapp Company(Snapp公司)
本文提出基于K-Means与动态时间规整的时间序列聚类算法,并利用Snapp应用驾驶员速度数据验证其在缺失速度估计和重要路段识别中的有效性。
2023-09-18 cs.AI cs.LG
Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
交通预测已经成为智能交通系统的核心组成部分。然而,及时准确的交通预测,特别是长期预测,仍然是一个开放的挑战,由于高度非线性和动态的时空依赖性的交通流。在本文中,我们提出了一种新的范式时空Transformer网络(STTN),利用动态定向的空间依赖性和长期的时间依赖性,以提高长期流量预测的准确性。具体来说,我们提出了一个新的变种的图神经网络,命名为空间Transformer,通过动态建模有向空间依赖与自注意机制,以捕捉实时交通状况以及交通流的方向性。此外,不同的空间依赖模式可以联合建模与多头注意力机制,考虑不同的关系相关的不同因素(如相似性,连接性和协方差)。另一方面,时间Transformer被用来模拟跨多个时间步长的长范围双向时间依赖性。最后,它们被组成一个块,以联合建模的时空依赖性,准确的交通预测。与现有的作品相比,该模型能够在长范围的时空依赖性上进行快速和可扩展的训练。实验结果表明,该模型在实际PeMS-Bay和PeMSD 7(M)数据集上的长期流量预测结果优于现有模型.
2021-03-29 cs.LG eess.SP
RESET: Revisiting Trajectory Sets for Conditional Behavior Prediction
Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学);Friedrich-Alexander-Universität Erlangen-Nürnberg(弗里德里希-亚历山大-埃尔兰根-纽伦堡大学)
本文提出RESET方法,首次将基于集合的轨迹预测用于条件行为预测,结合度量驱动的轨迹集合生成算法与图编码器,在无条件预测中性能与回归方法相当,并能以轻量计算与多计划规划器高效结合。
2023-04-12 cs.AI cs.CV cs.LG
Traffic congestion and travel time prediction based on historical congestion maps and identification of consensual days
Univ. Lyon(里昂大学);ENTPE(法国国立公共工程学院);IFSTTAR(法国交通发展与网络科学技术研究院);IRT System-X(System-X 技术研究院);SPIE CityNetworks(SPIE CityNetworks 公司)
本文介绍了一种新的实用方法,用于实时估计高速公路上的交通状况和行程时间。首先,在主成分分析之后,对历史数据集的观测日进行聚类。两种不同的方法进行了比较:高斯混合模型和k-means算法。聚类结果表明,同一组的拥堵图在交通状况和动态上具有很大的相似性。这种地图是高速公路上拥堵传播的二进制可视化,更加重视交通动态。其次,根据拥堵地图,在每个聚类中确定一个共识日作为社区最具代表性的一天。第三,从历史数据中获得的这些信息用于预测交通拥堵传播和旅行时间。因此,新的一天的第一次测量被用来确定哪个合意的一天最接近这个新的一天。然后,使用在该合意日记录的过去观测来预测未来的交通状况和旅行时间。这种方法是测试使用10个月的数据收集在法国的高速公路上,并显示出非常令人鼓舞的结果。
2020-11-12 cs.LG physics.soc-ph
3D Graph Convolutional Networks with Temporal Graphs: A Spatial Information Free Framework For Traffic Forecasting
Peking University(北京大学);Hangzhou Dianzi University(杭州电子科技大学);Beijing Institute of Big Data Research (BIBDR)(北京大数据研究院)
时空预测在许多应用领域特别是交通领域中起着重要的作用。然而,由于道路网络具有复杂的时空相关性和高度的非线性动态性,交通预测任务仍然具有挑战性。现有的工作要么表现出沉重的训练成本或未能准确地捕捉时空模式,也忽略了遥远的道路之间的相关性,共享相似的模式。在本文中,我们提出了一种新的深度学习框架来克服这些问题:3D时间图卷积网络(3D-TGCN)。我们的模型的两个新的组件。(1)我们不是基于空间信息构建道路图,而是通过比较每条道路的时间序列之间的相似性来学习道路图,从而提供了一个无空间信息的框架。(2)我们提出了一种新颖的3D图卷积模型,以更准确地建模时空数据。实证结果表明,3D-TGCN可以优于最先进的基线。
2019-03-03 cs.LG stat.ML
Decoupling Semantic Similarity from Spatial Alignment for Neural Networks
German Cancer Research Center (DKFZ)(德国癌症研究中心);Helmholtz Imaging(亥姆霍兹成像);University of Heidelberg(海德堡大学);National Center for Tumor Diseases (NCT) Heidelberg(海德堡国家肿瘤疾病中心)
针对现有表征相似性矩阵对空间对齐敏感的问题,提出对空间排列不变的语义RSM,将语义相似性测量建模为集合匹配问题,并通过实验验证其优越性。
2024-10-30 cs.AI cs.CV cs.LG
Deep Spatially and Temporally Aware Similarity Computation for Road Network Constrained Trajectories
Zhejiang University(浙江大学);Aalborg University(奥尔堡大学)
轨迹相似性计算已经引起了广泛的关注,因为它是诸如乘车共享、交通分析和社交推荐等广泛应用中的核心功能。受最近深度学习技术的成功的激励,研究人员开始致力于基于学习的相似性分析,以克服局限性(即,成本高,适应性差)。具体而言,深度轨迹相似性计算旨在学习距离函数,该距离函数可以通过神经网络评估两个轨迹的相似程度。然而,现有的基于学习的方法专注于空间相似性,但忽略了时间维度的轨迹,这是次优的时间感知应用程序。此外,他们往往忽略了嵌入到道路网络的轨迹,限制了他们在现实场景中的适用性。在本文中,我们提出了一个有效的基于学习的框架,称为ST2Vec,在道路网络中执行有效的空间和时间感知的轨迹相似性计算。最后,使用三个真实轨迹数据集进行的广泛实验评估表明,ST2Vec大大优于所有最先进的方法。
2022-02-27 cs.DB cs.LG
DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism
Sun Yat-sen University(中山大学)
本文提出 DKGCM 模型,通过 DK-GCN 空间节点聚类和融合 FFT 的双向 Mamba 机制分别捕获时空依赖,并引入 GRPO 优化训练,在三个公开数据集上取得优于先进方法的预测效果。
2025-06-26 cs.AI cs.LG
Multistep traffic speed prediction: A deep learning based approach using latent space mapping considering spatio-temporal dependencies
Thapar Institute of Engineering and Technology(塔帕尔工程技术学院)
随着道路上车辆数量的不断增加,城市交通管理已成为一个主要问题。智能交通系统(ITS)可以通过提供准确的交通预测来帮助城市交通管理者解决这一问题。为此,ITS需要一种可靠的交通预测算法,该算法可以基于过去和当前的交通数据在多个时间步长提供准确的交通预测。近年来,已经提出了许多不同的交通预测方法,这些方法在准确性方面已经证明了它们的有效性。然而,这些方法大多只考虑了空间信息或时间信息,而忽略了其他信息的影响。在本文中,为了解决上述问题,开发了一种基于深度学习的方法,该方法使用空间和时间依赖性。为了考虑时空依赖性,基于交通相似性和距离等属性选择特定时刻的附近道路传感器。使用潜在空间映射的概念交叉连接两个预先训练的深度自动编码器,并使用来自选定的附近传感器的交通数据作为输入来训练所得模型。所提出的基于深度学习的方法使用从安装在洛杉矶和湾区不同高速公路上的环路检测器传感器收集的真实交通数据进行训练。交通数据可从加州交通部绩效测量系统(PeMS)的门户网站免费获得。通过与多种机器/深度学习方法的比较,验证了该方法的有效性。已经发现,所提出的方法提供了准确的交通预测结果,即使是60分钟的预测与其他技术相比,误差最小。
2021-11-03 cs.AI cs.LG
TS3IM: Unveiling Structural Similarity in Time Series through Image Similarity Assessment Insights
Software Engineering Institute, East China Normal University(华东师范大学软件工程学院)
本文提出受SSIM启发的TS3IM指标,从趋势、可变性和结构完整性多维度量时间序列相似性,实验显示其更贴近DTW并显著提升对抗识别性能。
2024-05-10 cs.CV cs.LG