KST-GCN: A Knowledge-Driven Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
Central South University（中南大学）；Hisense TransTech Co., Ltd.（海信网络科技股份有限公司）；Zhejiang University（浙江大学）
在考虑交通的空间和时间特征的同时，捕捉各种外部因素对出行的影响是实现准确交通预测的重要一步。然而，现有的研究很少考虑外部因素或忽视外部因素之间复杂的相关性对交通的影响。直觉上，知识图谱可以自然地描述这些相关性。由于知识图谱和交通网络本质上是异构网络，因此在两个网络中集成信息是具有挑战性的。在此背景下，本文提出了一种基于时空图卷积网络的知识表示驱动的交通预测方法。首先，我们构建了一个知识图谱的交通预测和知识表示派生的知识表示学习方法称为KR-学习算法。然后，我们提出了知识融合单元（KF-Cell），将知识和流量特征结合起来，作为时空图卷积骨干网络的输入。在真实世界数据集上的实验结果表明，我们的策略提高了骨干在各种预测范围内的预测性能。烧蚀和扰动分析进一步验证了该方法的有效性和鲁棒性。据我们所知，这是第一个研究，构建和利用知识图谱，以促进交通预测，它也提供了一个有前途的方向，整合外部信息和时空信息的交通预测。源代码可在https://github.com/lehaifeng/T-GCN/tree/master/KST-GCN上获得。
2022-01-19 cs.LG
Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic Flow Patterns Using a Graph Convolutional Neural Network
University of Central Florida（中佛罗里达大学）
我们提出了一种新的数据驱动的方法来学习交通网络的交通流模式，给出了许多实例的起点到目的地（OD）的出行需求和链接流的网络。代替假设某些用户行为（例如，用户平衡或系统最优），在这里我们探索直接从数据中学习这些流模式的想法。为了实现这一思想，我们将交通分配问题转化为一个数据驱动的学习问题，并提出了一个基于神经网络的框架--图卷积神经网络（GCNN）来解决这个问题，该框架有效地描述了交通网络和OD需求，并利用了多个OD需求从节点到路段的扩散过程。我们验证了该模型的解决方案对分析的解决方案，从运行静态用户平衡为基础的交通分配在苏福尔斯和东马萨诸塞州的网络。验证结果表明，所实现的GCNN模型可以很好地学习流模式，在不同的拥塞条件下，两个网络的实际和估计链路流量之间的平均绝对差小于2%。当模型训练完成后，它可以立即确定大规模网络的流量。因此，这种方法可以克服在大规模网络上部署交通分配模型的挑战，并在数据驱动的网络建模中开辟新的研究方向。
2022-02-21 cs.LG
TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting
Peking University（北京大学）；Microsoft Research Asia（微软亚洲研究院）
交通流预测对于提高交通系统的效率和预防突发事件的发生具有重要意义。由于短、长时段交通流的高度非线性和复杂的演化模式，现有方法往往不能充分利用时空信息，特别是不同时段变化的时间模式和路段的特点。此外，没有同时考虑代表交通状态指标绝对值的全局性和代表相对值的局部性。本文提出了一个神经网络模型，侧重于交通网络的全局性和局部性以及交通数据的时间模式。基于循环的膨胀可变形卷积块被设计为准确地捕获每个节点上的不同时变趋势。我们的模型可以提取全局和局部的空间信息，因为我们结合了两个图卷积网络的方法来学习节点和边缘的表示。在两个真实数据集上的实验表明，该模型能够很好地反映交通数据的时空相关性，其性能优于现有的相关方法。进一步的分析表明，交通网络的局部性和全局性是交通流预测的关键，所提出的TSSRGCN模型可以适应不同的时间交通模式。
2020-11-30 cs.LG
An Attention-Based Multi-Context Convolutional Encoder-Decoder Neural Network for Work Zone Traffic Impact Prediction
University of California, Los Angeles（加州大学洛杉矶分校）
针对施工区交通影响预测研究稀缺的问题，提出数据集成流水线与基于注意力的多上下文卷积编码器-解码器深度学习模型，利用二维时空图像捕捉时空依赖关系，在预测交通速度、事故可能性及拥堵属性上显著优于基线模型。
2024-05-31 cs.LG
Wavelet-Inspired Multiscale Graph Convolutional Recurrent Network for Traffic Forecasting
University of Arizona（亚利桑那大学）；Argonne National Laboratory（阿贡国家实验室）
针对交通数据的多尺度时空特性，本文提出 WavGCRN，利用 DWT 分解、多流 GCRN 编码及可学习逆变换解码，并融合先验与数据驱动图结构，实现可解释且性能先进的交通预测。
2024-03-04 cs.LG
Graph Convolutional Network With Pattern-Spatial Interactive and Regional Awareness for Traffic Forecasting
College of Mechanical and Electrical Engineering, Shihezi University（石河子大学机械与电子工程学院）；School of Mathematics and Computational Science, Xiangtan University（湘潭大学数学与计算机科学学院）；College of Sciences, Shihezi University（石河子大学科学学院）
针对现有交通预测模型忽略交通模式与空间相关性交互、未考虑区域异质性的问题，提出模式-空间交互与区域感知图卷积网络PSIRAGCN，通过交互融合框架和区域感知消息传递提升预测精度，在三个真实数据集上性能优于最优基线且兼顾计算成本。
2025-08-30 cs.LG
Spatial-Temporal Graph Convolutional Gated Recurrent Network for Traffic Forecasting
Nanjing University（南京大学）
交通预测作为智能交通系统的重要组成部分，引起了学术界和工业界的极大关注。尽管人们提出了许多交通预测方法，但对复杂的时空相关性建模仍然是一个难题。时间依赖包括短期依赖和长期依赖，后者往往被忽视。空间依赖可以分为基于距离的空间依赖和隐藏的空间依赖。为了模拟复杂的时空依赖性，我们提出了一种新的框架，称为时空图卷积门递归网络（STGCGRN）的流量预测。我们设计了一个注意力模块，通过挖掘流量数据中的周期性信息来捕获长期依赖。本文提出了一种双图卷积门控递归单元（DGCGRU），它将图卷积网络和GRU相结合，来捕获空间依赖性。图卷积部分分别用基于距离的预定义邻接矩阵和自适应邻接矩阵对基于距离的空间依赖和隐藏的空间依赖进行建模。特别地，我们采用多头机制来捕获多个隐藏的依赖关系。此外，每个预测节点的周期模式可能不同，这往往被忽略，导致在建模空间依赖性时节点之间的周期信息相互干扰。为此，我们探索了模型的体系结构，并提高了性能。在四个数据集上的实验证明了该模型的优越性能。
2022-10-06 cs.LG
Traffic map prediction using UNet based deep convolutional neural network
本文描述了我们基于UNet的深度卷积神经网络方法在2019年的Jumic4cast挑战赛上的应用。挑战性的任务是在高分辨率的城市地图上预测未来的交通流量、航向和速度。我们使用基于UNet的深度卷积神经网络训练预测模型进行短期交通预测。在每个卷积块上，层与后续层紧密连接，就像DenseNet一样。通过对从世界上三个不同城市收集的真实世界数据集进行训练和评估，我们的方法在这一挑战中取得了最佳表现。
2019-11-25 cs.LG stat.ML
Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting
针对现有交通预测方法难以全局捕捉节点特定模式、无法同时建模长短时依赖的问题，提出融合节点特定元模式学习与节点注意力权重生成模块的MAGCRN模型，在6个真实数据集上的长短时预测性能均优于SOTA基线。
2023-08-28 cs.LG
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
Analysis of Large-scale Traffic Dynamics using Non-negative Tensor Factorization
INRIA Saclay（法国国家信息与自动化研究所萨克雷研究中心）；MINES-ParisTech（巴黎高科矿业学院）
在本文中，我们提出了我们的工作，在大规模的道路网络中的全球拥堵配置的时间动态的聚类和预测。我们不关注单个链路或小区域的时间交通状态变化，而是关注整个网络的空间拥堵配置。在我们的工作中，我们的目标是描述这种网络级的交通状态的典型的时间动态模式，并实现长期预测的大规模的交通动态，在一个统一的数据挖掘框架。为此，我们使用非负张量分解（NTF）来制定这个联合任务，NTF已被证明是多变量数据序列的有用分解工具。基于紧凑张量因子分解结果执行聚类和预测。大规模模拟数据的实验说明了我们的方法的兴趣与有前途的结果，长期预测的交通演变。
2012-12-18 cs.LG
Revisiting Random Forests in a Comparative Evaluation of Graph Convolutional Neural Network Variants for Traffic Prediction
University of Toronto（多伦多大学）
本文系统比较了多种图卷积神经网络变体与随机森林在交通预测中的表现，发现随机森林虽不紧凑但性能可比甚至更优，呼吁未来GCNN研究必须纳入随机森林作为基准比较。
2023-05-30 cs.LG
TrafficKAN-GCN: Graph Convolutional-based Kolmogorov-Arnold Network for Traffic Flow Optimization
School of Mathematics and Applied Mathematics, University of Nottingham Ningbo China（诺丁汉大学宁波校区数学与应用数学学院）；School of Computer Science, University of Nottingham Ningbo China（诺丁汉大学宁波校区计算机科学学院）；Department of Electrical and Computer Engineering, University of Washington（华盛顿大学电气与计算机工程系）；School of Computer Science, Carnegie Mellon University（卡内基梅隆大学计算机科学学院）；School of Engineering, University of Nottingham Ningbo China（诺丁汉大学宁波校区工程学院）；School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）；The ADAPT SFI Research Centre（ADAPT SFI研究中心）
本文提出混合深度学习框架TrafficKAN-GCN，结合KAN与GCN以捕捉复杂交通模式与拓扑依赖，在真实数据上实现了高预测精度与鲁棒性，并能有效缓解拥堵与适应突发事件。
2025-04-30 cs.LG
A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction
针对现有干道交通预测方法忽略空间关系、长时域误差大的问题，提出融合信号相位空间信息的扩散卷积循环神经网络，在阿卡迪亚市交叉口实验中显著降低不同时段30分钟预测的MAPE，且鲁棒性良好。
2020-12-25 cs.LG
PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic Forecasting
Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出PGCN交通预测框架，通过在训练和测试阶段逐步适应在线输入数据构建渐进式邻接矩阵，结合膨胀因果卷积提取时空特征，在七个真实数据集上取得一致的最先进性能。
2024-03-21 cs.LG
Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting
University of Washington（华盛顿大学）；INRIX, Inc.（因瑞克斯公司）
交通预测是时空预测中一个极具挑战性的应用，因为交通模式是时变的，而且对道路网络的空间依赖性非常复杂。为了应对这一挑战，我们将交通网络作为一个图来学习，并提出了一种新的深度学习框架，即交通图卷积长短期记忆神经网络（TGC-LSTM），以学习交通网络中道路之间的相互作用，并预测整个网络的交通状态。我们定义了基于物理网络拓扑的流量图卷积。本文还讨论了所提出的业务图卷积与频谱图卷积之间的关系。在模型的损失函数中加入了图卷积权值的L1范数和图卷积特征的L2范数，以增强模型的可解释性。实验结果表明，该模型优于基线方法在两个现实世界的交通状态数据集。图卷积权重的可视化表明，该框架可以识别出现实世界中的交通网络中最有影响力的路段。
2019-11-05 cs.LG stat.ML
Bayesian Spatio-Temporal Graph Convolutional Network for Traffic Forecasting
University of Science and Technology of China（中国科学技术大学）
在交通预测中，图卷积网络（GCN）将交通流建模为时空图，取得了令人瞩目的性能。然而，现有的基于GCN的方法，抽象地定义的图形结构的物理拓扑结构的道路网络，忽略了潜在的依赖关系的图形结构上的交通数据。并且定义的图结构是确定性的，缺乏对不确定性的研究。本文提出了一种用于流量预测的贝叶斯时空图卷积网络（BSTGCN）。我们的网络中的图结构是以端到端的方式从道路网络和交通数据的物理拓扑中学习的，它发现了对交通流之间关系的更准确描述。此外，提出了一种参数生成模型来表示图的结构，从而增强了GCN的泛化能力。我们验证了我们的方法在两个真实世界的数据集上的有效性，实验结果表明，BSTGCN达到优越的性能相比，国家的最先进的方法。
2020-10-15 cs.GR cs.LG
Spatial-temporal traffic modeling with a fusion graph reconstructed by tensor decomposition
Guangxi University（广西大学）；Beijing Institute of Technology（北京理工大学）；Sichuan University（四川大学）
准确的时空交通流预测对于帮助交通管理者采取控制措施和驾驶员选择最优出行路径至关重要。近年来，图卷积网络（GCN）由于其强大的时空相关性捕捉能力而被广泛应用于交通流预测。时空图邻接矩阵的设计是GCN成功的关键，目前仍是一个悬而未决的问题。提出了一种基于张量分解的二进制邻接矩阵重构方法，并提出了一种交通流预测方法。首先，我们将时空融合图邻接矩阵转化为三向邻接张量。然后，我们通过Tucker分解重建邻接张量，其中更多的信息和全局时空依赖性被编码。最后，时空同步图卷积模块的局部时空相关性学习和全局相关性学习的扩张卷积模块组装的道路网络的综合时空依赖性的聚合和学习。在四个开放获取数据集上的实验结果表明，该模型在预测性能和计算成本方面优于最先进的方法。
2022-12-12 cs.LG
A Double-Norm Aggregated Tensor Latent Factorization Model for Temporal-Aware Traffic Speed Imputation
College of Computer and Information Science（计算机与信息科学学院）；Southwest University（西南大学）
针对交通速度数据缺失问题，提出结合L2和平滑L1范数的TATSI模型，采用SLF-NMU求解器，在三个真实数据集上实现高精度鲁棒的补全。
2025-04-24 cs.LG
Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Southwest University（西南大学）
本文提出多段融合张量图卷积网络MS-FTGCN，通过张量M-product统一时空建模，并结合小时、日、周组件与注意力融合，在两个数据集上实现了优于现有模型的交通流预测性能。
2024-08-08 cs.IR cs.LG
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
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
Two-Stream Multi-Channel Convolutional Neural Network (TM-CNN) for Multi-Lane Traffic Speed Prediction Considering Traffic Volume Impact
University of Washington（华盛顿大学）
交通速度预测是智能交通系统（ITS）的重要组成部分。近年来，随着深度学习和交通数据科学的快速发展，越来越多的新的交通速度预测模型被设计出来，实现了高精度和大规模的预测。然而，现有的研究有两大局限性。首先，他们预测的是聚合交通速度，而不是车道级交通速度;其次，大多数研究忽略了其他交通流参数对速度预测的影响。为了解决这些问题，我们提出了一个双流多通道卷积神经网络（TM-CNN）模型的多车道交通速度预测考虑交通量的影响。在该模型中，我们首先介绍了一种新的数据转换方法，将原始的交通速度数据和体积数据转换为时空多通道矩阵。然后，我们仔细设计了一个双流深度神经网络，以有效地学习各个车道之间、时空维度上以及速度和体积之间的特征和相关性。因此，一个新的损失函数，考虑体积的速度预测的影响。使用一年数据的案例研究验证了TM-CNN模型，并证明了其优越性。本文主要研究两个方面：（1）交通速度预测;（2）多车道交通流研究。
2019-03-05 cs.LG stat.ML
T- Hop: Tensor representation of paths in graph convolutional networks
我们描述了一种方法，用于将图中的路径信息编码为3-d张量。我们展示了引入的路径表示方案和动力邻接矩阵之间的连接。为了减轻繁重的计算需求的工作与三维张量，我们建议应用降维的深度轴的张量。然后，我们描述了我们的简化的3-D矩阵可以通过将其注入到已建立的图卷积网络框架（如MixHop）中，从而将其转化为一个合理的图卷积层。
2022-04-11 cs.LG
Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Lahore University of Management Sciences（拉合尔管理科学大学）
本文提出VMGCN框架，先用VMD将非平稳时空交通数据分解为可解释模式，再通过注意力增强GCN学习模式内与模式间依赖，在LargeST上实现短期和长期预测精度提升。
2025-07-21 cs.LG
Metalearning traffic assignment for network disruptions with graph convolutional neural networks
Department of Technology, Management and Economics（技术、管理与经济学系）
本文提出利用元学习与图卷积神经网络相结合的方法，以快速适应网络中断下的交通分配问题，实现高预测精度。
2026-03-06 cs.LG
Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting
University of Southern California（南加州大学）；California Institute of Technology（加州理工学院）
时空预测在神经科学、气候和交通领域有着广泛的应用。交通预测是这种学习任务的一个典型例子。这项任务具有挑战性，因为（1）对道路网络的复杂空间依赖性，（2）随着道路条件变化的非线性时间动态，以及（3）长期预测的固有困难。为了解决这些挑战，我们建议将交通流建模为有向图上的扩散过程，并引入扩散卷积循环神经网络（DCRNN），这是一种用于交通预测的深度学习框架，它将交通流的空间和时间依赖性结合起来。具体来说，DCRNN使用图上的双向随机游走来捕获空间依赖性，并且使用具有预定采样的编码器-解码器架构来捕获时间依赖性。我们在两个真实世界的大规模道路网络交通数据集上评估了该框架，并观察到比最先进的基线提高了12% - 15%。
2018-02-22 cs.LG stat.ML
MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm
Institute of Intelligent Machines, Hefei Institutes of Physical Science, Chinese Academy of Sciences（智能机器研究所，合肥物理科学研究院，中国科学院）；University of Science and Technology of China（中国科学技术大学）
提出基于多模式非线性变换张量核范数的MNT-TNN方法，结合PAM算法和ATTNNs框架，有效补全随机缺失的时空交通数据，在真实数据集上优于现有方法。
2025-09-26 cs.LG
A Lightweight, Efficient and Explainable-by-Design Convolutional Neural Network for Internet Traffic Classification
Huawei Technologies Co., Ltd（华为技术有限公司）
本文针对网络设备资源受限、可解释性不足及评估数据集偏小的问题，提出融合残差块与原型层的轻量卷积神经网络 LEXNet，在商业级数据集上保持先进准确率并提供忠实解释。
2023-06-05 cs.LG
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction
交通问题已经严重影响到人们的生活质量和城市的发展，预测短期交通拥堵对个人和政府都具有重要意义。然而，理解和建模的交通状况可能是非常困难的，我们从实际的交通数据的观察表明，（1）类似的交通拥堵模式存在于相邻的时隙和连续的工作日;（2）交通拥堵的水平有明显的多尺度属性。为了捕捉这些特征，我们提出了一种基于深度卷积神经网络的PCNN方法，对周期性交通数据进行建模，用于短期交通拥堵预测。PCNN有两个关键过程：时间序列折叠和多粒度学习。它首先在时间上折叠的时间序列，并构造一个二维矩阵作为网络的输入，这样的实时交通状况和过去的交通模式都得到了很好的考虑，然后通过一系列的卷积输入矩阵，它是能够模拟本地的时间依赖性和多尺度的交通模式。具体而言，可以在宏观尺度上解决拥塞的全球趋势;而可以在微观尺度上捕获拥塞的更多细节和变化。在真实城市交通数据集上的实验结果证实，将时间序列数据折叠成二维矩阵是有效的，PCNN在短期拥堵预测任务中的性能明显优于基线。
2020-03-16 cs.LG eess.SP
Dynamic Causal Graph Convolutional Network for Traffic Prediction
Tsinghua University（清华大学）；University of Cologne（科隆大学）；SenseTime Research（商汤科技研究院）；The Shanghai AI Laboratory（上海人工智能实验室）；Qing Yuan Research Institute of Shanghai Jiao Tong University（上海交通大学清源研究院）
本文提出一种用于交通预测的动态因果图卷积网络，通过嵌入时变动态贝叶斯网络捕捉精细时空拓扑，并利用基于深度学习的超网络生成逐步动态因果图，有效建模非线性交通传播模式，在真实数据集上取得优越的预测性能。
2023-09-07 cs.LG eess.SP
Incorporating dynamicity of transportation network with multi-weight traffic graph convolutional network for traffic forecasting
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
交通量预测问题由于其时空复杂性，一直是智能交通系统中的一个具有挑战性的课题。虽然时间依赖性已经得到了很好的研究和讨论，空间依赖性是相对较少的探讨，由于其巨大的变化，特别是在城市环境。在这项研究中，提出了一种新的图卷积网络模型，多权重交通图卷积（MW-TGC）网络，并应用于两个城市网络的对比几何约束。该模型对速度数据进行多加权邻接矩阵的图卷积运算，以组合速度限制、距离和角度等特征。在组合特征上进行空间隔离的降维操作，以学习特征之间的依赖关系，并将输出的大小减小到计算上可行的水平。多权重图卷积的输出应用于具有长短期记忆单元的序列到序列模型，以学习时间依赖性。当应用到两个城市网站，城市核心和城市混合，MW-TGC网络不仅优于比较模型在这两个网站，但也减少了异质城市混合网络的方差。我们的结论是，MW-TGC网络可以提供一个强大的交通预测性能在空间复杂性的变化，这可能是一个强大的优势，在城市交通预测。
2021-05-26 cs.LG stat.ML
A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network
State Key Laboratory of Information Engineering in Survey, Mapping and Remote Sensing（测绘遥感信息工程国家重点实验室）
交通预测是城市交通管理和疏导的关键。然而，现有的方法很少利用交通速度观测的时频特性，往往忽略了交通流从上游到下游路段的传播。在本文中，我们提出了一种混合的方法，学习交通流的时空依赖性，并预测道路网络上的短期交通速度。具体来说，我们采用小波变换分解原始交通数据到几个不同的频率子带的分量。基于模体的图卷积循环神经网络（Motif-GCRNN）和自回归移动平均（ARMA）分别用于训练和预测低频分量和高频分量。在Motif-GCRNN框架中，我们将图卷积网络（GCN）与局部子图结构（Motifs）相结合，以捕获路段之间的空间相关性，并应用长短期记忆（LSTM）来提取交通速度的短期和周期性模式。在中国成都采集的交通数据集上的实验表明，所提出的混合方法优于六种最先进的预测方法。
2019-04-14 cs.CV cs.LG eess.SP
Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks for Traffic Forecasting
Soochow University（苏州大学）；University of North Carolina at Greensboro（北卡罗来纳大学格林斯伯勒分校）；The Hong Kong Polytechnic University（香港理工大学）
交通量预测是交通科学和人工智能研究中最基本的问题之一。关键的挑战是有效地建模复杂的时空依赖性和现代交通数据的相关性。然而，现有的方法，不能同时准确地建模长期和短期的时间相关性，限制了他们的表达能力复杂的时空模式。本文提出了一种新的时空神经网络框架：基于注意力的时空图卷积递归网络（ASTGCRN），它由图卷积递归模块（GCRN）和全局注意力模块组成。特别是，GCRN集成了门控递归单元和自适应图卷积网络，用于动态学习图结构并捕获空间依赖性和局部时间关系。为了有效地提取全局时间依赖，设计了时间注意层，并将其实现为三个独立的模块，分别基于多头自注意、Transformer和Informer。在五个真实流量数据集上进行的大量实验表明，我们的三种模型都具有出色的预测性能，其平均MAE，RMSE和MAPE在测试数据集上均低于基线方法。
2023-02-25 cs.AI cs.LG
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
An Incomplete Tensor Tucker decomposition based Traffic Speed Prediction Method
School of Computer Science and Technology, Dongguan University of Technology（东莞理工学院计算机科学与技术学院）
针对缺失交通速度数据恢复中基于SGD的LFT模型收敛慢的问题，提出融合PID控制器与Tucker分解的LFT模型，在两个城市数据集上显著提升效率并保持高预测精度。
2023-04-21 cs.LG
"How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction
Fudan University（复旦大学）；Aalto University（阿尔托大学）；University of Chicago（芝加哥大学）
准确的交通速度预测是交通规划中一个重要而又具有挑战性的课题。以往的交通速度预测研究主要采用时空和上下文特征进行预测。但是，他们没有很好地利用城市交通事件的影响。在这项工作中，我们的目标是利用城市事件的信息，以实现更好的预测交通速度。我们的事件驱动预测框架由三个过程组成。首先，我们提出了一个关键事件发现方法，发现城市交通事件的交通速度有很大的影响。其次，我们设计了一个二元分类器，它使用深度学习方法从分类器的中间层提取潜在的事件影响特征。结合上述方法，提出了一种深度事件感知图卷积网络（DIGC-Net），有效地结合城市交通事件、时空、周期和上下文特征进行交通速度预测。我们在旧金山和纽约的两个真实城市交通数据集上进行实验。结果表明，我们的模型相比竞争基准的优越性能。
2019-12-03 cs.LG eess.SP stat.ML
Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation Network Speed Prediction
Beihang University（北京航空航天大学）；Beijing Jiaotong University（北京交通大学）；Chongqing Jiaotong University（重庆交通大学）
本文提出了一种基于卷积神经网络（CNN）的方法，该方法将流量作为图像进行学习，并以高精度预测大规模的网络范围内的流量速度。通过二维时空矩阵将时空交通动力学转化为描述交通流时空关系的图像。一个CNN应用于图像以下两个连续的步骤：抽象的交通特征提取和网络范围内的交通速度预测。以北京市二环路和东北交通网络为例，将该方法与普通最小二乘、k-近邻、人工神经网络和随机森林等四种主流算法以及堆栈式自编码器、递归神经网络、和长短期记忆网络。实验结果表明，在可接受的执行时间内，该方法的平均准确率提高了42.91%，优于其他算法。CNN可以在合理的时间内对模型进行训练，因此适用于大规模的交通网络。
2017-04-10 cs.LG stat.ML
Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting
China Mobile Research Institute（中国移动研究院）；Beijing University of Posts and Telecommunications（北京邮电大学）
移动网络流量预测是移动网络日常运营中的重要功能之一。商用移动网络是一个庞大、异构、复杂和动态的网络。这些内在特征使得移动网络流量预测远未解决，即使使用最近的先进算法，例如基于图卷积网络的预测方法和各种注意力机制，这些算法在车辆流量预测中已被证明是成功的。在本文中，我们投的问题作为一个时空序列预测任务。我们提出了一种新的深度学习网络架构，自适应多感受野时空图卷积网络（AMF-STGCN），以模拟移动基站的流量动态。AMF-STGCN通过以下方式扩展了GCN：（1）联合建模移动网络中复杂的时空依赖性，（2）应用注意力机制来捕获异构基站的各种接收场，以及（3）引入基于完全连接的深度网络的额外解码器，以克服多步预测的错误传播挑战。在来自两个不同领域的四个真实数据集上的实验一致表明AMF-STGCN优于最先进的方法。
2021-11-01 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
Ultimate tensorization: compressing convolutional and FC layers alike
Moscow State University（莫斯科国立大学）；Yandex；National Research University Higher School of Economics（国家研究型大学高等经济学院）；Institute of Numerical Mathematics of the Russian Academy of Sciences（俄罗斯科学院数值数学研究所）
卷积神经网络在图像识别任务中表现出色，但这是以高计算和存储复杂性为代价的。为了解决这个问题，[1]开发了一个张量分解框架来压缩全连接层。在本文中，我们专注于压缩卷积层。我们表明，虽然直接将张量框架[1]应用于卷积的4维核确实压缩了层，但我们可以做得更好。我们将卷积核重塑为高阶张量并对其进行因子分解。我们将所提出的方法与之前的工作相结合，以压缩网络的卷积层和全连接层，并在CIFAR-10数据集上实现80倍的网络压缩率，准确率下降1.1%。
2016-11-10 cs.LG
Back to the Future: Predicting Traffic Shockwave Formation and Propagation Using a Convolutional Encoder-Decoder Network
Texas A&M University（德州农工大学）
这项研究提出了一种深度学习方法来预测交通冲击波的传播。深度神经网络的输入是研究段的时空图，网络的输出是以时空图的形式预测的冲击波在研究段上的（未来）传播。所提出的方法的主要特点是能够提取嵌入在时间-空间图中的特征来预测交通冲击波的传播。
2019-05-04 cs.CV cs.LG eess.SP
Bayesian Graph Convolutional Network for Traffic Prediction
最近，基于自适应图卷积网络的流量预测方法，通过各种基于注意力的机制从流量数据中学习潜在图结构，已经取得了令人印象深刻的性能。然而，他们仍然是有限的，以找到一个更好的描述交通条件之间的空间关系，由于：（1）忽略了观察到的道路网络的拓扑结构的先验;（2）忽略了负的空间关系的存在;（3）缺乏调查的不确定性的图形结构。在本文中，我们提出了一个贝叶斯图卷积网络（BGCN）的框架，以减轻这些问题。在此框架下，图结构被视为一个随机实现的参数生成模型，其后验推断使用观察到的拓扑结构的道路网络和交通数据。具体来说，参数生成模型由两部分组成：（1）一个常数邻接矩阵，它使用贝叶斯方法从观察到的道路之间的物理连接中发现潜在的空间关系;（2）一个可学习的邻接矩阵，它以端到端的方式从交通数据中学习全局共享空间相关性，并可以对负空间相关性进行建模。然后，通过对参数图结构执行蒙特卡罗丢弃来近似图结构的后验。我们验证了我们的方法在五个真实世界的数据集上的有效性，实验结果表明，BGCN达到优越的性能相比，国家的最先进的方法。
2021-04-01 cs.AI cs.LG
Graph Convolutional Networks for Traffic Forecasting with Missing Values
Technology Innovation Institute（技术创新研究院）；Université Paris-Saclay（巴黎萨克雷大学）；CEA（法国原子能和替代能源委员会）
交通预测近来引起了广泛的关注。实际上，流量数据通常包含由于传感器或通信错误而导致的缺失值。交通数据中的时空特征为处理此类缺失值带来了更多挑战，经典技术（例如，数据估算）有限：1）在时间轴上，数值可以随机或连续缺失; 2）在空间轴上，缺失值可以发生在单个传感器上，也可以同时发生在多个传感器上。基于图神经网络的最新模型在交通预测任务上取得了令人满意的性能。然而，它们中很少有适用于这样一个复杂的缺失值上下文。为此，我们提出了GCN-M，一个图卷积网络模型，能够处理复杂的缺失值的时空背景下。特别是，我们联合模型的缺失值处理和交通预测任务，同时考虑本地时空特征和全球的历史模式在基于注意力的记忆网络。我们还提出了一个动态图学习模块的基础上学习的局部-全局功能。在真实数据集上的实验结果表明了该方法的可靠性。
2022-12-13 cs.AI cs.LG
Graph-Partitioning-Based Diffusion Convolutional Recurrent Neural Network for Large-Scale 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）
交通预测方法是制定适应性战略的流动性至关重要。交通模式具有复杂的空间和时间依赖性，这使得大型公路网络的准确预测成为一项具有挑战性的任务。最近，扩散卷积递归神经网络（DCRNNs）已经取得了国家的最先进的结果，通过捕捉交通的时空动态的交通预测。尽管有希望的结果，但是，由于计算和内存瓶颈，将DCRNN应用于大型公路网络仍然是难以捉摸的。我们提出了一种方法来实现一个大型公路网，克服了这些限制的DCRNN。我们的方法使用图分区方法将大型公路网络分解为较小的网络并独立训练它们。我们证明了基于图分区的DCRNN方法的有效性，在一个大型的加利福尼亚州高速公路网络与11,160个传感器位置的交通模型。我们开发了一个重叠的节点的方法，基于图分区的DCRNN包括传感器位置从分区，地理上接近一个给定的分区。此外，我们证明了DCRNN模型可以用来预测的速度和流量同时和预测值保持基本的交通流动态。我们开发代表大型公路网络的DCRNN模型的方法可以成为先进公路交通监控系统的潜在核心能力，其中经过训练的DCRNN模型预测所有传感器位置的交通，可用于根据预期的未来条件主动调整交通管理策略。
2020-04-20 cs.LG stat.ML
DDP-GCN: Multi-Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Seoul National University（首尔大学）
交通速度预测是交通系统中的核心问题之一。为了更准确地预测，最近的研究开始不仅使用时间速度模式，而且通过图卷积网络使用道路网络上的空间信息。尽管道路网络是高度复杂的，由于其非欧和方向的特点，以前的方法主要集中在建模的空间依赖性使用的距离。在本文中，我们确定了两个基本的空间依赖关系，在交通预测除了距离，方向和位置关系，设计基本图形元素作为基本的积木。使用构建块，我们建议DDP-GCN（距离，方向和位置关系图卷积网络）将这三种空间关系纳入深层神经网络。我们用两个大规模的真实世界数据集对所提出的模型进行了评估，并发现在高度复杂的城市网络中进行长期预测的积极改进。对于通勤时间来说，改善幅度可能会更大，但对于短期预测来说，改善幅度也可能有限。
2022-09-25 cs.LG eess.SP
Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns
The University of Hong Kong（香港大学）；McGill University（麦吉尔大学）
缺失数据是智能交通系统中交通数据汇集不可避免且普遍存在的问题。尽管交通数据插补的研究已经取得了很大的进展，但仍存在两个不足：一是现有的方法未能捕捉到交通数据中复杂的时空相关性，尤其是随时间演化的动态空间相关性;二是现有的研究主要集中在随机缺失模式上，而对其他更复杂的缺失场景的研究较少。为了填补这些研究空白，我们提出了一种新的深度学习框架，称为动态时空图卷积神经网络（DSTGCN）来估算丢失的流量数据。该模型结合了递归架构和基于图的卷积来建模时空依赖性。此外，我们引入了一个图结构估计技术，从实时交通信息和道路网络结构的动态空间依赖性建模。基于两个公共交通速度数据集进行了广泛的实验，以比较我们提出的模型与最先进的深度学习方法在四种类型的缺失模式。实验结果表明，在各种缺失场景下，我们提出的模型都优于现有的深度学习模型，图结构估计技术有助于提高模型性能。我们进一步将我们提出的模型与张量因子分解模型进行比较，并发现在不同的训练方案和数据可用性下不同模型家族的不同行为。
2021-09-17 cs.AI cs.LG
Irregular Traffic Time Series Forecasting Based on Asynchronous Spatio-Temporal Graph Convolutional Network
HKUST(GZ)（香港科技大学（广州））；Baidu Research（百度研究院）；HKUST（香港科技大学）；Arizona State University（亚利桑那州立大学）；Baidu Inc.（百度公司）
针对自适应信号导致的不规则交通时间序列预测难题，提出异步时空图卷积网络ASeer，通过异步图扩散、个性化时间编码、可变形时间感知卷积与半自回归预测，有效捕捉异步时空依赖并预测变长序列，在六项指标上优于十二个基线。
2024-08-27 cs.AI cs.LG
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
Hybrid Spatio-Temporal Graph Convolutional Network: Improving Traffic Prediction with Navigation Data
Alibaba Group（阿里巴巴集团）
本文提出混合时空图卷积网络H-STGCN，通过从在线导航引擎获取即将到来的交通量并将其转换为等效行程时间，结合图卷积捕获空间依赖性，显著提升了交通预测精度，尤其在非周期性拥堵预测上表现优异。
2020-06-23 cs.LG stat.ML
Position-Aware Convolutional Networks for Traffic Prediction
Shanghai Jiao Tong University（上海交通大学）；The Hong Kong Polytechnic University（香港理工大学）
预测区域内未来交通流分布是智能交通系统中交通管理的一个重要问题。由于人类活动的高度动态模式，交通预测的关键挑战是捕获未来交通流和历史交通之间的空间和时间关系。大多数现有方法通过融合从多源数据提取的空间和时间特征来探索这种关系。然而，它们忽略了有助于区分不同位置上的模式的位置信息。在本文中，我们提出了一个位置感知的神经网络，集成了数据特征和位置信息。我们的方法采用的起始骨干网络，以捕捉整个地区的流量分布的丰富功能。新颖之处在于，在骨干网络下，我们应用神经语言处理中的位置嵌入技术，将位置信息表示为嵌入向量，这些嵌入向量在训练过程中学习。利用这些嵌入向量，我们设计了位置感知卷积，允许不同的内核处理不同位置的特征。在两个真实数据集上的大量实验表明，即使数据源较少，我们的方法也优于以前的方法。
2019-04-12 cs.LG stat.ML
Laplacian Convolutional Representation for Traffic Time Series Imputation
Polytechnique Montreal（蒙特利尔理工学院）；McGill University（麦吉尔大学）；University of Central Florida（中佛罗里达大学）
针对时空交通数据补全问题，本研究提出低秩拉普拉斯卷积表示（LCR）模型，结合拉普拉斯核时间正则化与循环矩阵核范数，通过FFT高效求解，在多数据集上优于基线模型，适用于大规模数据补全。
2024-06-24 cs.AI cs.LG
Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow Prediction
North China University of Technology（北方工业大学）；University of Maryland Baltimore County（马里兰大学巴尔的摩县分校）
本文针对公路日交通流预测中的数据不平衡和时空因素复杂问题，提出一种多图时空图卷积网络方法，结合数据归一化、多语义图卷积及气象日历特征，在省级高速公路上验证了其优于基线方法的预测精度和业务价值。
2023-08-10 cs.AI cs.LG
High-Order Tensor Regression in Sparse Convolutional Neural Networks
本文提出一种面向卷积的通用高阶张量方法，构建稀疏卷积神经网络的理性回归理论框架，并据此重新定义以最简单通用形式呈现的反向传播算法。
2025-08-28 cs.LG
