Networkwide Traffic State Forecasting Using Exogenous Information: A Multi-Dimensional Graph Attention-Based Approach
University of Connecticut(康涅狄格大学)
针对现有交通预测多忽略外生因素的问题,提出融合速度、车道关闭、气象等多维信息的M-STGAT方法,经多数据集实验验证其在多预测时长下误差指标优于对比模型,仅迁移性有待进一步研究。
2023-10-18 cs.LG
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
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
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
Spatio-Temporal Meta-Graph Learning for Traffic Forecasting
The University of Tokyo(东京大学);Toyota Motor Corporation(丰田汽车公司)
交通量预测作为多元时间序列预测的一个典型任务,一直是人工智能领域的重要研究课题。为了解决交通流中隐含的时空异质性和非平稳性,在这项研究中,我们提出了时空元图学习作为一种新的时空数据的图结构学习机制。具体来说,我们将这个想法实现到元图卷积递归网络(MegaCRN)中,将由元节点库驱动的元图学习器插入GCRN编码器-解码器。我们对两个基准数据集(即,METR-LA和PEMS-BAY)以及一个名为EXPY-TKY的新的大规模交通速度数据集,该数据集覆盖了东京的1843条高速公路。我们的模型在所有三个数据集上都优于最先进的模型。此外,通过一系列的定性评估,我们证明了我们的模型可以明确地解开道路连接和时隙与不同的模式,并鲁棒地适应任何异常的交通情况。代码和数据集可在https://github.com/deepkashiwa20/MegaCRN上获得。
2023-03-06 cs.AI cs.LG
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University(斯坦福大学);University of Cologne(科隆大学);Shanghai AI Lab(上海人工智能实验室)
针对现有基于GCN的交通预测方法忽略城市空间层级的问题,提出AHSTN模型,通过自适应时空上下采样模块实现节点与簇级多尺度时空建模,在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI cs.LG
Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting
Xinjiang University(新疆大学);College of Geography and Remote Sensing Sciences, Xinjiang University(新疆大学地理与遥感科学学院)
针对蜂窝网络流量预测难题,提出MSPF-Net框架,它集成外部上下文信息,含时空频率流量编码器、峰值增强模块等,能联合建模流量动态、突发模式和新闻上下文信号,实验证明可有效提升预测性能。
2026-07-09 cs.AI cs.LG
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
Traffic flow forecasting, STL decomposition, Hybrid model, LSTM, ARIMA, XGBoost, Intelligent transportation systems
School of Computer Science and Technology(计算机科学与技术学院);Taiyuan Normal University(太原师范学院);Institute of Computer Science(计算机科学研究所);University of Göttingen(哥廷根大学);James Watt School of Engineering(詹姆斯·瓦特工程学院);University of Glasgow(格拉斯哥大学);Laboratory of Intelligent Home Appliances(智能家电实验室);College of Science and Technology(科学与技术学院);Ningbo University(宁波大学)
针对单一模型难以捕捉交通流复杂多尺度时间模式的问题,本研究提出STL分解驱动的LSTM-ARIMA-XGBoost混合预测框架,经纽约市交通数据验证,其在多指标上优于单一模型,提升了预测精度与鲁棒性。
2025-10-26 cs.AI cs.LG
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks
George Mason University(乔治梅森大学)
交通流预测是智能交通系统管理的核心任务。图结构已经显示出作为建模框架的前景,最近通过图卷积神经网络在时空建模方面的进展,提高了性能或扩展了对交通流的预测范围。然而,最先进的方法的一个主要缺点是它们不能考虑到各种模式的信息,例如维护停机时间对交通流量的影响。这就是我们在本文中要解决的问题。具体来说,我们提出了一种新的模型来预测交通速度的影响下,施工工作。该模型基于强大的基于注意力的时空图卷积架构,但利用各种渠道来整合不同的信息源,明确地建立交通状态之间的时空依赖关系,捕获异构道路网络之间的关系,然后预测交通流量的变化导致的维护停机事件。两个基准数据集和一个新的数据集,我们已经收集了繁华的泰森的角落地区在北弗吉尼亚州的模型进行评估。大量的对比实验和消融研究表明,该模型可以捕捉复杂的和非线性的时空关系,跨运输走廊,优于基线模型。
2021-10-04 cs.AI cs.CV cs.LG
Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks
Beihang University(北京航空航天大学);China FAW R&D Center(中国一汽研发中心)
近几十年来,大规模交通网络流量预测已成为一个重要而具有挑战性的课题。受运动预测领域知识的启发,其中对象的未来运动可以基于先前的场景来预测,我们提出了一种网络网格表示方法,该方法可以保留交通网络的精细尺度结构。网络范围内的流量速度被转换成一系列的静态图像,并输入到一个新的深度架构,即时空递归卷积网络(SRCN),用于流量预测。所提出的SRCN继承了深度卷积神经网络(DCNN)和长短期记忆(LSTM)神经网络的优点。网络范围内流量的空间依赖性可以由DCNN捕获,时间动态可以由LSTM学习。在具有278个链路的北京交通网络上进行的实验表明,SRCN在短期和长期交通预测方面都优于其他基于深度学习的算法。
2017-05-07 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
DeepTFP: Mobile Time Series Data Analytics based Traffic Flow Prediction
Hangzhou Dianzi University(杭州电子科技大学)
交通流预测是交通系统中避免交通拥挤的重要研究课题。交通拥挤的避免可以通过了解交通流来进行交通规划。由于交通流预测受区域间交通、车辆相互关系、突发事件等诸多复杂因素的影响,实现交通流预测具有挑战性。然而,由于交通系统中的传感器嵌入式设备已经广泛收集了车辆的移动数据,因此可以通过分析移动数据来预测交通流量。本研究提出了一种基于深度学习的预测算法DeepTFP,用于集体预测城市每条交通道路上的交通流量。该算法使用三个深度残差神经网络来建模交通流的时间封闭性、周期性和趋势性。每个残差神经网络由残差卷积单元的分支组成。DeepTFP聚合三个残差神经网络的输出,以优化时间序列预测模型的参数。在英国交通系统的移动时间序列数据上的对比实验表明,所提出的DeepTFP在预测精度上优于基于长短期记忆(LSTM)架构的方法。
2017-10-01 cs.LG
Navigating Spatio-Temporal Heterogeneity: A Graph Transformer Approach for Traffic Forecasting
Hongkong University of Science and Technology (Guangzhou)(香港科技大学(广州))
针对交通预测中性能提升递减及未考虑时空异质性的问题,提出STGormer模型,通过整合时空编码与混合专家模块捕获异质性,在真实数据集上实现了最先进的预测性能。
2024-08-25 cs.LG
Data Mining in Transportation Networks with Graph Neural Networks: A Review and Outlook
Lyles School of Civil and Construction Engineering, Purdue University(普渡大学莱尔土木与建筑工程学院);Institute for AI Industry Research, Tsinghua University(清华大学人工智能产业研究院)
本文综述了图神经网络在交通网络数据挖掘中的应用,重点介绍了2023年以来在交通预测与运营领域的学术及工业新进展,并整理相关资源以促进跨学科交流与研究。
2025-01-28 cs.LG
Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing
Norwegian University of Science and Technology(挪威科技大学);Simula Research Laboratory(西穆拉研究院)
短时交通速度预测是近十年来的一个重要研究课题,目前已提出了许多方法。然而,提供细粒度,准确,高效的交通速度预测的大规模交通网络中部署了大量的交通检测器还没有得到很好的研究。在本文中,我们提出了DistPre,这是一个分布式的细粒度交通速度预测方案的大规模交通网络。为了实现细粒度和准确的交通速度预测,DistPre为检测器定制了一个具有适当超参数配置的长短期记忆(LSTM)模型。为了使这种定制过程高效并适用于大规模交通网络,DistPre在计算节点集群上进行LSTM定制,并允许任何经过训练的LSTM模型在不同的检测器之间共享。如果一个检测器观察到与另一个检测器相似的流量模式,DistPre直接在两个检测器之间共享现有的LSTM模型,而不是为每个检测器定制LSTM模型。基于加利福尼亚州I5-N高速公路的交通数据进行了实验,以评估DistPre的性能。结果表明,DistPre为大规模交通网络提供了高效的LSTM定制和精确的细粒度交通速度预测。
2020-06-03 cs.LG stat.ML
Discovering the Precursors of Traffic Breakdowns Using Spatiotemporal Graph Attribution Networks
Department of Civil Engineering and Engineering Mechanics, Columbia University School of Economics, Minzu University of China(土木工程与工程力学系,哥伦比亚大学经济学院,中国民族大学);Vehicle and Mobility Systems Department, Argonne National Laboratory(车辆与移动系统部,阿贡国家实验室);School of Sustainable Engineering and the Built Environment, Arizona State University(可持续工程与环境学院,亚利桑那州立大学)
本文提出结合时空图神经网络与Shapley值的方法,识别并解释交通崩溃前兆,在州际24号数据上验证,发现道路拓扑和突然制动是主要因素。
2025-04-23 cs.LG
MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for Traffic Speed Forecasting
交通量预测是智能交通监控系统的核心内容。基于图神经网络的方法已被广泛用于此任务,以有效地捕捉道路网络的空间和时间依赖性。然而,这些方法不能有效地定义复杂的网络拓扑结构。此外,它们的级联网络结构在时间和空间维度上都存在传输不同特征的局限性。本文提出了一种多自适应时空流图神经网络(MAF-GNN)的交通速度预测方法。MAF-GNN引入了一种有效的多自适应邻接矩阵机制来捕获交通节点之间的多个潜在空间依赖关系。此外,我们提出了时空流模块,旨在进一步提高在时间和空间维度的特征传播。MAF-GNN在METR-LA和PeMS-Bay两个真实的公交网络数据集上取得了比其他模型更好的性能,证明了该方法的有效性。
2022-03-09 cs.LG
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
STJLA: A Multi-Context Aware Spatio-Temporal Joint Linear Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学)
随着交通大数据的增加,交通预测逐渐引起了研究者的关注。因此,如何挖掘交通数据中复杂的时空相关性,更准确地预测交通状况成为一个难题。以前的工作将图卷积网络(GCN)和自注意机制与深度时间序列模型(例如递归神经网络)相结合,以单独捕获时空相关性,忽略了跨时间和空间的关系。此外,GCN受到过平滑问题的限制,自注意受到二次问题的限制,导致GCN缺乏全局表示能力,自注意不能有效地捕捉全局空间依赖性。在本文中,我们提出了一种新的深度学习模型,称为多上下文感知时空联合线性注意力(STJLA),它将线性注意力应用于时空联合图,以有效地捕获所有时空节点之间的全局依赖性。更具体地说,STJLA利用静态结构上下文和动态语义上下文来提高模型性能。基于node 2 vec和one-hot编码的静态结构上下文丰富了时空位置信息。此外,基于多头扩散卷积网络的动态空间上下文增强了局部空间感知能力,基于GRU的动态时间上下文稳定了线性注意力的序列位置信息.两个真实世界的流量数据集,英格兰和PEMSD 7,实验表明,我们的STJLA可以实现高达9.83%和3.08%的准确性提高MAE措施比国家的最先进的基线。
2021-12-04 cs.LG
Large-Scale Traffic Data Imputation with Spatiotemporal Semantic Understanding
Tsinghua University(清华大学);Central South University(中南大学)
大规模数据缺失是智能交通系统(ITS)中一个具有挑战性的问题。许多研究已经进行了估算大规模的交通数据,考虑他们的时空相关性在网络层面上。然而,在现有的交通数据估算,丰富的语义信息的道路网络已在很大程度上被忽视时,捕捉网络范围内的时空相关性。本研究提出一个交通数据插补的图Transformer模型(GT-TDI),以插补大规模的交通数据与时空语义理解的道路网络。具体而言,该模型引入语义描述组成的网络范围内的空间和时间信息的交通数据,以帮助GT-TDI模型捕捉时空相关性在网络级别。该模型以不完整数据、传感器的社会连通性和语义描述作为输入,在图神经网络(GNN)和Transformer的帮助下执行插补任务。在PeMS高速公路数据集上,进行了大量的实验,将所提出的GT-TDI模型与传统方法、张量分解方法和基于深度学习的方法进行比较。实验结果表明,GT-TDI算法在复杂的缺失模式和多样的缺失率下,性能优于现有方法。GT-TDI型号的代码将在https://github.com/KP-Zhang/GT-TDI上提供。
2023-01-27 cs.LG
SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction
Hangzhou Dianzi University(杭州电子科技大学);Zhejiang University of Technology(浙江工业大学)
针对静态空间建模难以捕捉动态时空关系的问题,本文提出 SFADNet,通过多交通模式划分、交叉注意力自适应融合图及残差图卷积与时序模块提升交通流预测性能。
2025-01-07 cs.LG
Towards Spatio-Temporal Cross-Platform Graph Embedding Fusion for Urban Traffic Flow Prediction
University of Connecticut(康涅狄格大学)
本文提出了一种新的时空跨平台图嵌入融合方法STC-GEF,用于城市交通流预测。设计了一种基于图卷积网络(GCN)的空间嵌入模块来提取交通流数据中复杂的空间特征。此外,为了捕捉不同时间间隔的交通流数据之间的时间依赖性,我们设计了一个基于递归神经网络的时间嵌入模块。基于不同运输平台行程数据(例如,出租车、Uber和Lyft)可以相互关联,我们设计了一种有效的融合机制,该机制将来自不同交通平台的行程数据组合起来,并进一步将它们用于跨平台交通流预测(例如,整合出租车和共乘平台,用于出租车交通流量预测)。我们基于纽约市黄色出租车和拼车(Lyft)的真实出行数据进行了广泛的真实世界实验研究,并验证了STC-GEF融合不同交通平台数据和预测交通流的准确性和有效性。
2022-08-21 cs.LG
Graph Neural Networks in Intelligent Transportation Systems: Advances, Applications and Trends
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
本文综述了图神经网络在交通预测、车辆控制、交通信号控制、交通安全、需求预测和停车管理六个智能交通系统领域的应用进展,并指出了当前挑战与未来方向。
2024-09-19 cs.LG
SUSTeR: Sparse Unstructured Spatio Temporal Reconstruction on Traffic Prediction
Kiel University(基尔大学);GEOMAR Helmholtz Centre for Ocean Research Kiel(基尔亥姆霍兹海洋研究中心)
针对稀疏且空间不规则的交通观测,提出SUSTeR框架,通过残差方式构建隐藏上下文状态,实现交通状态重建与预测。
2025-02-24 cs.LG
SST-GNN: Simplified Spatio-temporal Traffic forecasting model using Graph Neural Network
Independent University, Bangladesh(孟加拉国独立大学)
为了捕捉交通数据中的空间关系和时间动态,交通预测的时空模型近年来引起了人们的极大关注。最近的工作大多采用多层图神经网络(GNN)来捕获空间依赖性。然而,具有不同跳距的路口可以携带不同的交通信息,这些交通信息应该单独利用,但是现有的多层GNN无法区分它们的影响。同样,为了捕捉时间的相互关系,递归神经网络在最先进的方法中很常见,这些方法通常无法捕捉长期依赖关系。此外,交通数据显示每天或每周的重复模式,应明确解决。为了解决这些限制,我们设计了一个简化的时空交通预测GNN(SST-GNN),有效地编码的空间依赖性分别聚合不同的邻域表示,而不是与多个层和捕获的时间依赖性与一个简单而有效的加权时空聚合机制。我们捕获的周期性的交通模式,通过使用一种新的位置编码方案与历史和当前的数据在两个不同的模型。通过广泛的实验分析,我们已经表明,我们的模型在性能测量系统(PeMS)的三个真实世界的流量数据集上的表现明显优于最先进的模型。
2021-03-31 cs.LG
Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph Neural Network
Independent University Bangladesh(孟加拉独立大学)
近年来,用于预测交通强度的深度学习模型的研究受到了极大的关注,因为它们能够捕获交通数据中复杂的时空关系。然而,大多数最先进的方法已经设计了仅空间(例如,图神经网络)和仅时间(例如,递归神经网络)模块来分别提取空间和时间特征。然而,我们认为,这是不太有效的提取复杂的时空关系与这种因式分解模块。此外,现时大部分的研究都是根据当日前一小时的交通数据,来预测某一时段的交通强度。从而忽略可能存在于最后一小时数据中的重复的每日/每周模式。因此,我们提出了一个统一的时空图卷积网络(USTGCN)的交通预测,通过不同的时间戳节点之间的直接信息传播的帮助下,频谱图卷积的时空图上进行空间和时间的聚合。此外,它还可以捕获前几天的历史每日模式和当前交通数据中的当前模式。最后,我们通过实验分析验证了我们的工作的有效性,这表明,我们的模型USTGCN可以优于国家的最先进的性能在三个流行的基准数据集的性能测量系统(PeMS)。此外,我们提出的USTGCN模型的训练时间显着减少。
2021-04-28 cs.LG
Automated Dilated Spatio-Temporal Synchronous Graph Modeling for Traffic Prediction
Beijing National Research Center for Information Science and Technology(北京信息科学与技术国家研究中心);Tsinghua University(清华大学);National University of Defense Technology(国防科技大学);Beijing Jiaotong University(北京交通大学)
由于交通网络的复杂时空相关性,准确的交通预测是智能交通系统中一项具有挑战性的任务。许多现有的作品利用复杂的时间建模方法,结合图卷积网络(GCN)捕捉短期和长期的时空依赖性。然而,这些设计复杂的分离模块限制了时空表示学习的有效性和效率。此外,大多数以前的工作采用固定的图构造方法来表征全局时空关系,这限制了模型对不同时间段甚至不同数据场景的学习能力。为了克服这些限制,我们提出了一个自动扩张的时空同步图网络,名为Auto-DSTSGN的流量预测。具体来说,我们设计了一个自动膨胀时空同步图(Auto-DSTSG)模块,通过以递增的顺序堆叠具有膨胀因子的更深层来捕获短期和长期的时空相关性。此外,我们提出了一个图结构搜索方法,自动构建时空同步图,可以适应不同的数据场景。在四个真实数据集上的大量实验表明,与现有方法相比,我们的模型可以实现约10%的改进。源代码可在https://github.com/jinguangyin/Auto-DSTSGN上获得。
2022-07-22 cs.LG
Efficient Traffic State Forecasting using Spatio-Temporal Network Dependencies: A Sparse Graph Neural Network Approach
University of Connecticut(康涅狄格大学)
交通网络中的交通状态预测对于有效的交通运营和管理以及明智的用户和系统级决策至关重要。然而,长期交通预测(未来30分钟以上)在目前的研究中仍然具有挑战性。在这项工作中,我们集成了时空依赖的交通网络从网络建模,连同图卷积网络(GCN)和图注意力网络(GAT)。为了进一步解决由巨大的模型大小(即,由于多个级联层导致的权重数量),我们提出稀疏训练来减轻训练成本,同时保持预测精度。这是一个在每次迭代中使用固定数量的非零权重进行训练的过程。我们考虑的问题,长期的交通速度预测的一个真正的大规模的交通网络数据从加州交通部(Caltranss)性能测量系统(PeMS)。实验结果表明,所提出的GCN-STGT和GAT-STGT模型实现低预测误差的短期,中期和长期的预测视野,15,30和45分钟的持续时间,分别。使用我们的稀疏训练,我们可以用高稀疏度从头开始训练(例如,高达90%),相当于使用与密集训练相同的时期,每秒浮点运算(FLOPs)的计算成本减少10倍,并且与原始密集训练相比,达到了精度损失非常小的模型
2022-11-06 cs.LG
Intelligent Transportation Systems to Mitigate Road Traffic Congestion
Lebanese University(黎巴嫩大学)
智能交通系统在解决世界各地的交通拥堵问题方面已经证明了自己的效率和有效性。基于多智能体的交通系统是智能交通系统的重要组成部分,它是相邻车辆、驾驶员、道路、基础设施和车辆之间的交互。在本文中,已经创建了两个交通管理模型,以减轻拥堵,并确保紧急车辆尽快到达。使用SUMO-JADE工具链创建了一个象征交通相互作用的微观模拟。模拟模型显示,平均时间延迟至少减少了50%,因此整个行程时间得到了真正的改善。
2021-06-04 cs.LG cs.SY eess.SY
Multi-Spatio-temporal Fusion Graph Recurrent Network for Traffic forecasting
Zhengzhou University(郑州大学)
交通预测对于新时代智慧城市的交通建设至关重要。然而,交通数据复杂的空间和时间依赖性使得交通预测极具挑战性。现有的交通量预测方法大多依赖于预定义的邻接矩阵来模拟时空相关性。然而,道路交通状态是高度实时的,因此邻接矩阵应随时间动态变化。本文提出了一种新的多时空融合图递归网络(MSTFGRN)来解决上述问题。该网络提出了一种数据驱动的加权邻接矩阵生成方法,以补偿预定义邻接矩阵未反映的实时空间依赖性。它还有效地学习隐藏的时空依赖,通过执行一个新的双向时空融合操作的并行时空关系在不同的时刻。最后,通过将全局注意力机制集成到时空融合模块中,同时捕获全局时空依赖性。在四个大规模的真实交通数据集上进行的广泛试验表明,与替代基线相比,我们的方法实现了最先进的性能。
2022-09-27 cs.AI cs.LG
HAGCN : Network Decentralization Attention Based Heterogeneity-Aware Spatiotemporal Graph Convolution Network for Traffic Signal Forecasting
利用图卷积网络(GCN)构建时空网络已成为预测交通信号的最流行方法之一。然而,当使用GCN进行交通速度预测时,传统方法通常将传感器之间的关系假设为齐次图,并使用传感器积累的数据来学习邻接矩阵。然而,传感器之间的空间相关性并没有被指定为一个,而是从不同的视角被不同地定义。为此,我们的目标是研究交通信号数据中固有的异构特性,以各种方式学习传感器之间的隐藏关系。具体来说,我们设计了一种方法来构建一个异构图的每个模块划分为静态和动态模块的传感器之间的空间关系。我们提出了一种基于网络分散注意力的异构感知图卷积网络(HAGCN)方法,该方法通过考虑异构图中每个通道的重要性来聚合相邻节点的隐藏状态。在真实流量数据集上的实验结果验证了该方法的有效性,与现有模型相比,预测性能提高了6.35%,达到了最新水平。
2022-09-05 cs.LG
STCGAT: A Spatio-temporal Causal Graph Attention Network for traffic flow prediction in Intelligent Transportation Systems
Zhengzhou University(郑州大学)
现代交通造成的空气污染和碳排放与全球气候变化密切相关。借助物联网(IoT)、人工智能(AI)等新一代信息技术,准确的交通流量预测可以有效解决交通拥堵等问题,缓解环境污染和气候变化。进一步推动智能交通系统(ITS)和智慧城市的发展。然而,交通数据的强空间和时间相关性使得准确的交通预测任务成为一个重大挑战。现有的方法通常是基于图神经网络利用预定义的交通网络空间邻接图来建模空间依赖关系,忽略了道路节点之间关系的动态相关性。此外,它们通常使用独立的时空组件来捕获时空依赖性,并且不能有效地建模全局时空依赖性。本文提出了一种新的时空因果图注意力网络(STCGAT)的交通预测,以解决上述挑战。在STCGAT中,我们使用的节点嵌入方法,可以自适应地生成空间邻接子图在每个时间步,而无需先验地理知识和细粒度建模的拓扑结构的动态生成的图形为不同的时间步。同时,我们提出了一个有效的因果时间相关组件,其中包含节点自适应学习,图卷积,局部和全局因果时间卷积模块学习局部和全局时空依赖性联合。在四个真实的大型流量数据集上进行的大量实验表明,我们的模型始终优于所有基线模型。
2022-09-29 cs.AI cs.LG
Building Transportation Foundation Model via Generative Graph Transformer
Shanghai Artificial Intelligence Laboratory(上海人工智能实验室)
本文提出交通基础模型(TFM),通过图结构和动态图生成算法将交通仿真原理融入预测,以数据驱动方式解决传统系统在复杂性和准确性上的挑战。
2023-05-24 cs.AI cs.LG
A Survey on Differential Privacy for SpatioTemporal Data in Transportation Research
The University of Alabama in Huntsville(阿拉巴马大学亨茨维尔分校)
本文综述了差分隐私在交通时空数据中的应用,总结了相关机制、软件及交通领域的应用工作,并探讨了部署与大规模采用所面临的挑战。
2024-07-18 cs.CR cs.CY cs.LG
Towards Resilient Transportation: A Conditional Transformer for Accident-Informed Traffic Forecasting
The University of Tokyo(东京大学);Toyota Motor Corporation(丰田汽车公司)
本文提出ConFormer,一种结合图传播与引导归一化层的条件变换器,通过整合交通事故和法规数据,提升交通预测的准确性和效率。
2025-12-10 cs.AI cs.LG
Nonnegative Matrix Factorization to understand Spatio-Temporal Traffic Pattern Variations during COVID-19: A Case Study
Kyungpook National University(庆北大学);Queensland University of Technology(昆士兰科技大学)
随着智能交通系统(ITS)的迅速发展和道路上车辆数量的不断增加,产生了大量的道路交通数据。从这些数据中了解时空交通模式至关重要,并已有效地帮助交通规划,道路建设等。然而,了解COVID-19大流行期间的交通模式非常具有挑战性和重要性,因为人和车辆的出行行为模式存在巨大差异。本文通过一个案例研究来了解COVID-19期间时空交通模式的变化。我们应用非负矩阵分解(NMF),以得出模式。NMF模型输出是根据2019年和2020年(分别为大流行之前和大流行期间)在英国观察到的时空模式行为进行分析的。所分析的时空交通模式变化行为的输出将在智能交通系统中的交通管理和在与道路交通相关的流行病或不可避免的场景的各个阶段的管理领域中是有用的。
2021-11-05 cs.CY cs.LG
Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware
Nanjing University of Science and Technology(南京理工大学);Southeast University(东南大学)
本文提出一种融合异常感知的全局时空交通预测算法,通过异常因素影响模块和多尺度时空特征融合模块捕捉长期与短期相关性,在PEMS04和PEMS08数据集上取得最优性能。
2024-12-19 cs.AI cs.LG
Architecting Digital Twins for Intelligent Transportation Systems
Software Engineering Research Centre, IIIT Hyderabad(印度信息技术与管理大学海得拉巴分校软件工程研究中心);Computer Systems Group, IIIT Hyderabad(印度信息技术与管理大学海得拉巴分校计算机系统组);Faculty of Science and Technology, Middlesex University London(伦敦密德萨斯大学科学与技术学院)
本文提出面向智能交通系统的数字孪生平台DigIT架构,基于领域概念模型和机器学习预测,结合自适应MLOps,实现模块化、可扩展的交通管理,提升预测准确性与计算效率。
2025-02-24 cs.LG cs.SE
A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic Data Imputation
McGill University(麦吉尔大学);Shanghai Jiao Tong University(上海交通大学)
在各种传感系统采集的时空交通数据中,稀疏和缺失数据问题是非常普遍的。在智能交通系统的许多应用中,准确的估算是至关重要的。在本文中,我们制定了时空交通数据中的缺失数据填补问题的低秩张量完成(LRTC)框架,并定义了一个新的截断核范数(TNN)的交通张量的位置$\times$天$\times$时间的一天。特别是,我们引入了一个通用的速率参数来控制截断的程度上所有的张量模式在建议的LRTC-TNN模型,这使我们能够更好地描述时空交通数据中的隐藏模式。基于交替方向乘法(ADMM)的框架,我们提出了一个有效的算法来获得每个变量的最优解。我们在四个时空交通数据集上进行了数值实验,结果表明,所提出的LRTC-TNN模型优于许多最先进的缺失率/模式的插补模型。此外,该模型还优于其他基线模型在极端缺失的情况下。
2020-06-11 cs.LG stat.ML
Attention-based Dynamic Graph Convolutional Recurrent Neural Network for Traffic Flow Prediction in Highway Transportation
North China University of Technology(北方工业大学)
本文提出ADGCRNN模型,通过自注意力整合多时间分辨率特征并动态创建多动态图,引入专用门控核减少过拟合,有效提升了高速公路交通流预测精度。
2023-09-13 cs.AI cs.GR cs.LG
A Data-driven Region Generation Framework for Spatiotemporal Transportation Service Management
Peking University(北京大学);Huazhong University of Science and Technology(华中科技大学);DiDi Chuxing(滴滴出行);Beihang University(北京航空航天大学)
针对交通服务中人工区域语义差、不灵活的问题,提出数据驱动框架 RegionGen,将区域生成建模为多目标优化并协同优化,实验证明其更适合时空服务管理。
2023-06-05 cs.DB cs.LG
TelTrans: Applying Multi-Type Telecom Data to Transportation Evaluation and Prediction via Multifaceted Graph Modeling
Chunghwa Telecom Laboratories(中华电信研究院);National Taiwan University(台湾大学)
提出地理蜂窝流量(GCT)流作为新数据源,并设计融合多变量、时间和空间特征的图神经网络进行车辆相关GCT流预测,实验证明其在长期预测中优于基线。
2024-01-06 cs.AI cs.LG
SafeRNet: Safe Transportation Routing in the era of Internet of Vehicles and Mobile Crowd Sensing
Troy University(特洛伊大学);Lakehead University(湖首大学)
世界范围内的道路交通死亡率和事故率都很高,即使在美国这样的技术先进国家也是如此。尽管智能交通系统取得了进展,但安全的交通路线,即,寻找最安全的路线在很大程度上是一个被忽视的范例。近年来,人、车联网和物联网(IoT)产生了大量的交通数据。此外,由于云计算的进步和移动通信技术的扩散,现在可以对大量生成的数据(众包)执行分析并将结果实时的传递回用户。本文提出了一个安全路由计算框架SafeRNet,该框架利用这些技术分析流媒体流量数据和历史数据,有效地推断出安全路由,并将其实时的反馈给用户。SafeRNet利用贝叶斯网络建立安全路由模型。此外,一个案例研究表明,我们的方法使用真实的交通数据的有效性。SafeRNet旨在提高现代技术丰富的交通系统中驾驶员的安全性。
2018-05-03 cs.LG stat.ML
A Survey on Traffic Signal Control Methods
Penn State University(宾夕法尼亚州立大学)
交通信号控制是一个重要且具有挑战性的现实问题,其目标是通过协调车辆在交叉口的运动来最小化车辆的行程时间。目前使用的交通信号控制系统仍然严重依赖过于简单的信息和基于规则的方法,尽管我们现在有更丰富的数据,更强大的计算能力和先进的方法来推动智能交通的发展。随着人们对使用机器学习方法(如强化学习)的智能交通越来越感兴趣,本调查涵盖了广泛认可的交通方法和关于交通信号控制强化的最新文献的全面列表。我们希望这项调查能够促进对这一重要主题的跨学科研究。
2020-01-16 cs.AI cs.LG stat.ML
Modeling Network-level Traffic Flow Transitions on Sparse Data
Xi’an Jiaotong University(西安交通大学);New Jersey Institute of Technology(新泽西理工学院)
对城市环境中网络级交通流的变化进行建模,对于交通、公共安全和城市规划等方面的决策具有重要意义。交通流系统可以被看作是在状态之间转换的动态过程(例如,每个路段上的交通量)随时间的变化。在具有交通信号控制或可逆换道等交通操作行为的现实交通系统中,系统的状态受历史状态和交通操作行为的影响。在本文中,我们考虑在现实世界的环境下,可用的数据是稀疏的(即,仅观察到交通系统的一部分)。我们提出了DTIGNN,一种方法,可以预测网络级的流量从稀疏数据。DTIGNN将交通系统建模为受交通信号影响的动态图,从交通中学习基于基本过渡方程的过渡模型,并在此过程中通过插补来预测未来的交通状态。通过综合实验,我们证明了我们的方法优于国家的最先进的方法,可以更好地支持交通决策。
2022-11-19 cs.AI cs.LG
Spatiotemporal Forecasting of Traffic Flow using Wavelet-based Temporal Attention
Sorbonne University(索邦大学);Indian Institute of Science, Education and Research, Kolkata(印度科学教育与研究学院(加尔各答));International Institute of Information Technology, Bangalore(班加罗尔国际信息技术学院)
本文提出W-DSTAGNN,利用小波分解与时间注意力建模动态时空依赖,在三个公开交通数据集上优于十个基线,并支持可靠长期点预测与区间概率预测。
2024-09-21 cs.LG cs.NE
Physics Informed Deep Learning: Applications in Transportation
University of Central Florida(中佛罗里达大学)
机器学习的最新发展-物理信息深度学习(PIDL)-在交通状态估计等交通应用中具有独特的优势。它巩固了深度学习(DL)和控制物理方程的优势,显示了在获取交通状态方面补充传统传感方法的潜力。在本文中,我们首先解释守恒定律从交通流理论的“物理”,然后提出了一个PIDL神经网络的架构,并证明其有效性学习交通状况的未观察到的地区。此外,我们还展示了使用雾计算基础设施的数据汇集场景。以车辆速度估计为例,结果表明,PIDL在收敛时间和重构精度方面优于具有相同学习结构的常规DL神经网络。令人鼓舞的结果展示了广泛的潜力,PIDL的实时应用在交通运输与少量的训练数据。
2023-02-23 cs.LG cs.NA math.NA
UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions
UniST-Pred提出了一种统一的时空预测框架,通过解耦时间建模与空间表示学习,实现对交通网络中断下的鲁棒预测。
2026-10-07 cs.AI cs.LG
Spatiotemporal-aware Trend-Seasonality Decomposition Network for Traffic Flow Forecasting
Faculty of Information Science and Engineering, Ocean University of China(中国海洋大学信息科学与工程学院)
针对交通数据复杂时空动态导致的预测难题,提出STDN模型,通过动态图、时空嵌入及趋势-季节分解实现高效准确预测,并发布JiNan数据集。
2025-02-17 cs.AI cs.LG
Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations
University of California, Los Angeles(加州大学洛杉矶分校)
本研究针对飓风疏散中交通预测的挑战,提出整合MLP与LSTM的预测系统,结合多源数据,在现实路网部署中实现了较高的长短期预测精度,具备良好的适应性与可扩展性。
2024-06-17 cs.AI cs.LG cs.SI
Spatiotemporal Regularized Tucker Decomposition Approach for Traffic Data Imputation
Southern University of Science and Technology(南方科技大学)
本文提出一种时空正则化Tucker分解方法用于交通数据插补,通过核心张量$l_1$范数刻画低秩性,结合流形正则化和时间约束捕获时空相关性,在真实数据集上优于矩阵和张量基线方法。
2023-10-31 cs.LG stat.ML
RAST: A Retrieval Augmented Spatio-Temporal Framework for Traffic Prediction
RAST通过整合检索增强机制与时空建模,解决交通预测中的上下文容量和细粒度预测性挑战,实现高效且准确的交通预测。
2025-12-30 cs.AI cs.LG
Deep Reinforcement Learning for Intelligent Transportation Systems
Columbia University(哥伦比亚大学);Imperial College London(帝国理工学院);Nokia-Bell Laboratories(诺基亚贝尔实验室)
智能交通系统(ITS)被认为在改善交通流量和减少拥堵方面发挥着关键作用,这是一个影响全球城市地区的普遍问题。快速发展的车辆通信和边缘云计算技术为智能交通管理提供了关键推动力。然而,在实际相关的规模上操作可行的实时致动机制涉及巨大的挑战,例如,策略迭代和传统的强化学习(RL)技术由于状态空间爆炸而遭受较差的可扩展性。受这些问题的启发,我们探索了深度Q网络(DQN)优化交通灯控制策略的潜力。作为一个初始的基准,我们建立的DQN算法产生的“阈值”的政策,在一个单一的交集。接下来,我们将研究DQN算法的可扩展性及其在沿主动脉具有多个交叉点的线性网络拓扑中的性能。我们证明了DQN算法产生智能行为,如“绿波”模式的出现,反映了他们学习有利的交通灯驱动的能力。
2018-12-03 cs.LG stat.ML