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
Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal Deep Learning
Sungkyunkwan University(成均馆大学);Seoul Theological University(首尔神学大学)
针对现有深度学习移动流量预测忽略地理相关性导致精度低的问题,提出结合流量高峰时段聚类与multi TCN-LSTM模型的预测方案,在真实数据上性能最高提升28%。
2023-12-11 cs.AI cs.LG
Efficient Metropolitan Traffic Prediction Based on Graph Recurrent Neural Network
Shanghai Jiao Tong University(上海交通大学);Shanghai Transportation Information Center(上海交通信息中心)
交通流预测是智能交通系统(ITS)中的一项重要任务,但由于交通流的时空特性,特别是在大城市环境下,如何在保证低计算复杂性的前提下实现高精度的交通流预测具有很大的挑战性。在这项工作中,一个新的拓扑框架,称为链接网络,提出了道路网络建模和交通流的传播模式。基于链接网络模型,设计了一种新的在线预测器--图循环神经网络(GRNN),用于学习图中的传播模式。该算法能够根据整个图的信息同时预测所有路段的交通流,从而在保证较高精度的同时,将计算复杂性从O(nm)降低到O(n+m).此外,它还可以预测交通趋势的变化。基于真实数据的实验表明,该方法优于现有的预测方法。
2018-11-02 cs.AI cs.LG
STGC-GNNs: A GNN-based traffic prediction framework with a spatial-temporal Granger causality graph
Central South University(中南大学)
提出基于时空Granger因果关系(STGC)的交通预测框架,通过时空对齐算法和Granger因果检验建模全局动态空间依赖,显著提升了长期交通预测效果。
2022-10-30 cs.AI cs.LG
Anomaly Detection in Automatic Generation Control Systems Based on Traffic Pattern Analysis and Deep Transfer Learning
在现代高度互联的电网中,自动发电控制(AGC)对维持电网的稳定至关重要。AGC系统对信息和通信技术系统的依赖使其容易受到各种网络攻击。因此,信息流(IF)分析和异常检测对于防止网络攻击者将网络物理电力系统(CPPS)推向不稳定状态至关重要。本文研究了CPPS中ICT网络流量的规律,提取了ICT网络流量的频域特征,并基于ResNeSt卷积神经网络(CNN)提出了一种鲁棒的学习算法。此外,为了克服异常流量标记样本不足的问题,使用了迁移学习方法。在所提出的基于数据驱动的方法中,深度学习模型通过交通频率特征来训练,这使得我们的模型对AGC的参数不确定性和建模非线性具有鲁棒性。
2022-09-16 cs.AI cs.LG cs.SY
Transfer Learning Based Efficient Traffic Prediction with Limited Training Data
University of Western Ontario(西安大略大学);Juniper Networks(瞻博网络)
互联网流量的有效预测是自组织网络(SON)的重要组成部分,以确保主动管理。存在许多使用深度学习进行更高精度的互联网流量预测的现有解决方案。但是,由于数据的异质性、稀缺性和异常性,为网络中的每个服务提供商设计单独的预测模型是具有挑战性的。此外,在有限的训练数据的网络流量预测的深度序列模型的性能还没有广泛的研究,在目前的工作。在本文中,我们研究和评估了深度迁移学习技术在流量预测中的性能,其中历史数据不足,利用了我们预训练模型的知识。首先,我们使用了一个相对较大的真实世界流量数据集,基于五种不同的深度序列模型进行源域预测:递归神经网络(RNN),长短期记忆(LSTM),LSTM编码器-解码器(LSTM_En_De),带注意力层的LSTM_En_De(LSTM_En_De_Atn)和门控递归单元(GRU)。然后,考虑来自源域的两个性能最好的模型LSTM_En_De和LSTM_En_De_Atn,其准确度为96.06%和96.05%,用于目标域预测。最后,在目标域中使用针对四个特定源和目的地对收集的四个较小的流量数据集,以在准确性和执行时间方面比较标准学习和迁移学习的性能。根据我们的实验结果,迁移学习有助于减少大多数情况下的执行时间,而迁移学习的模型的准确性提高了较大的训练会话。
2022-05-09 cs.LG
SSMT: Few-Shot Traffic Forecasting with Single Source Meta-Transfer
Sungkyunkwan University(成均馆大学);University of California, Riverside(加州大学河滨分校);Center for Computational & Data Sciences, Independent University, Bangladesh(孟加拉国独立大学计算与数据科学中心)
本文提出单源元迁移学习SSMT,仅利用一个源城市数据,通过记忆增强注意力和元位置编码实现数据稀缺目标城市的少样本交通预测,并在多个基准上取得优于现有方法的效果。
2024-10-21 cs.LG
Learning to Transfer for Traffic Forecasting via Multi-task Learning
Layer 6 AI
深度神经网络在短期流量预测方面表现出优越的性能。然而,大多数现有的交通预测系统假设训练和测试数据来自相同的底层分布,这限制了它们的实用性。NeurIPS 2021年网络流量预测挑战赛是首个致力于对流量预测模型在空间和时间上的域变化进行鲁棒性基准测试的挑战赛。本技术报告描述了我们应对这一挑战的解决方案。特别是,我们提出了一个多任务学习框架的时间和时空领域自适应的交通预测模型。实验结果表明,我们的多任务学习方法实现了强大的经验性能,优于一些基线领域自适应方法,同时保持高效。本技术报告的源代码可在https://github.com/YichaoLu/Traffic4cast2021上获得。
2021-11-27 cs.CV cs.LG
Transfer Learning versus Multi-agent Learning regarding Distributed Decision-Making in Highway Traffic
Institute for Automation and Applied Informatics, Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院自动化与应用信息学研究所);Research and Development, ZF Friedrichshafen AG(采埃孚股份公司研发部);Chair for Information Systems Research, University of Freiburg(弗莱堡大学信息系统研究讲席组);IT Innovation Chapter Data Science, ZF Friedrichshafen AG(采埃孚股份公司IT创新部数据科学组)
运输和交通目前在规模和复杂性方面都在迅速增加。与此同时,越来越多的交通参与者正在转变为由人工智能驱动或支持的代理人,从而导致混合智能交通。这项工作探讨了分布式决策在混合智能交通的影响。调查的基础上进行的在线模拟高速公路的情况下,即麻省理工学院\emph{DeepTraffic}模拟。在第一步中,通过深度强化学习方法训练交通代理,将其部署在用于超参数搜索的精英进化算法中。然后利用所得到的架构和训练参数,以便训练单个自主交通代理并将所学习的权重转移到多代理场景上,或者直接进行多代理学习。这两种学习策略的混合智能流量的不同比例进行评估。根据人工智能驱动的所有代理的平均速度来评估策略。交通模式,挑起减少交通流量进行了分析,相对于不同的策略。
2018-10-19 cs.AI cs.CV cs.LG
Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction
China Mobile Research Institute(中国移动研究院)
蜂窝业务量预测是智能通信网中不可缺少的一部分。然而,由于频繁的用户移动性和复杂的网络调度机制,蜂窝业务往往继承复杂的时空模式,使得预测令人难以置信的挑战。虽然最近的先进算法,如基于图的预测方法已被提出,他们经常模型的空间依赖性的基础上静态或动态图,并忽略了共存的多种空间相关性引起的流量生成。同时,一些研究工作缺乏对蜂窝业务模式多样性的考虑,导致预测结果不理想。在本文中,我们提出了一种新的深度学习网络架构,自适应混合时空图神经网络(AHSTGNN),以解决蜂窝流量预测问题。首先,我们应用自适应混合图学习来学习蜂窝塔之间的复合空间相关性。其次,我们实现了一个时间卷积模块与多周期的时间数据输入,以捕捉非线性的时间依赖性。此外,我们引入了一个额外的时空自适应模块来克服蜂窝塔的异构性。我们在两个真实世界的蜂窝流量数据集上的实验表明,AHSTGNN的性能明显优于最先进的技术,说明了我们的时空蜂窝流量预测方法的优越可扩展性。
2023-02-28 cs.AI cs.LG cs.NI
Towards Network Traffic Monitoring Using Deep Transfer Learning
Western University(西安大略大学)
网络流量在全球范围内以超常规的速度增长。现代网络基础设施使得传统的网络入侵检测方法无法有效地对大量网络流量进行分类。本文的目的是提出一个现代的方法来建立一个网络入侵检测系统(NIDS),通过使用各种深度学习方法。为了进一步改进我们提出的方案并使其在现实环境中有效,我们使用深度迁移学习技术,将模型在具有丰富计算和数据资源的源域中学习到的知识转移到具有稀疏可用性的目标域。我们提出的方法在源域中实现了98.30%的分类准确率,在目标域中提高了98.43%的分类准确率,并使用UNSW-15数据集提高了分类速度。这项研究表明,深度迁移学习技术使得构建大型深度学习模型来执行网络分类成为可能,这些模型可以部署在现实世界的目标领域中,尽管资源的可访问性有限,但它们仍然可以保持其分类性能并提高其分类速度。
2021-01-04 cs.LG
Network Wide Evacuation Traffic Prediction in a Rapidly Intensifying Hurricane from Traffic Detectors and Facebook Movement Data: A Deep Learning Approach
University of Central Florida(中佛罗里达大学);Amadeus(Amadeus(阿莫迪乌斯,全球旅游科技公司))
本研究利用交通检测器和Facebook移动数据,结合深度学习与迁移学习,实现对快速增强飓风期间全网疏散交通的提前6小时预测,准确率达93%。
2023-11-16 cs.LG
A Transfer Learning Framework for Proactive Ramp Metering Performance Assessment
The University of Arizona(亚利桑那大学);University of Connecticut(康涅狄格大学);Connecticut Transportation Safety Research Center(康涅狄格交通安全研究中心)
本文提出一种基于迁移学习的框架,通过学习已知路段匝道计量策略改变前后交通状态时空特征的关联,预测新路段的交通参数,从而主动评估匝道计量性能。
2023-08-07 cs.LG
Overcoming Data Limitations in Internet Traffic Forecasting: LSTM Models with Transfer Learning and Wavelet Augmentation
Department of Computer Science, University of Northern British Columbia(北坎伯兰大学计算机科学系);Department of Computer Science, Western University(西部大学计算机科学系);Juniper Networks
本文研究小型ISP网络流量预测中的数据稀缺问题,通过迁移学习、离散小波变换数据增强及两种LSTM模型对比,证明数据增强和迁移学习能显著提升预测准确性,且模型复杂度并非越高越好。
2024-09-20 cs.LG
Relation-based Motion Prediction using Traffic Scene Graphs
FZI Research Center for Information Technology(FZI信息技术研究中心);Trier University(特里尔大学);Bosch Corporate Research(博世企业研究部);Bosch Research and Technology Center(博世研究与技术中心)
表示交通场景的相关信息并了解其环境对于自动驾驶的成功至关重要。使用语义关系对自动驾驶汽车的周围环境进行建模,即,不同的交通参与者如何在基于交通规则的行为的上下文中联系,在以前的工作中几乎没有被考虑。这是因为这些关系很难从现实世界的交通场景中提取出来。在这项工作中,我们以空间语义场景图的形式对交通场景进行建模,用于对交通参与者进行各种不同的预测,例如,加速和减速。我们的学习和推理方法使用图神经网络(GNNs),并表明,将明确的信息交通参与者之间的空间语义关系,提高了预测结果。具体而言,与没有利用这些明确信息的基线相比,交通参与者的加速度预测提高了12%。此外,通过包含有关以前场景的额外信息,我们实现了73%的改进。
2022-11-24 cs.AI cs.CV cs.LG
Deep Learning on Traffic Prediction: Methods, Analysis and Future Directions
School of Electronic Information and Electrical Engineering, Dalian University of Technology(大连理工大学电子信息与电气工程学院);Peng Cheng Laboratory(鹏城实验室)
交通预测在智能交通系统中起着至关重要的作用。准确的交通预测可以辅助路径规划,指导车辆调度,缓解交通拥堵。由于道路网络中不同区域之间复杂的动态时空依赖性,该问题具有挑战性。最近,大量的研究工作已经投入到这一领域,特别是深度学习方法,大大提高了流量预测能力。本文的目的是从多个角度对基于深度学习的流量预测方法进行全面调查。具体来说,首先对现有的流量预测方法进行了总结,并给出了分类。其次,我们列出了在不同的交通预测应用的最先进的方法。第三,我们全面收集和整理现有文献中广泛使用的公共数据集,以方便其他研究人员。此外,我们进行了广泛的实验,以比较不同的方法在真实世界的公共数据集上的性能进行评估和分析。最后,我们讨论了这一领域面临的挑战。
2021-03-19 cs.AI eess.SP
Universal Embedding Function for Traffic Classification via QUIC Domain Recognition Pretraining: A Transfer Learning Success
CESNET association(CESNET协会)
本文提出通过预训练QUIC领域识别模型实现通用嵌入函数,用于提升加密流量分类的迁移学习性能。
2026-01-20 cs.LG cs.NI
Temporal Transfer Learning for Traffic Optimization with Coarse-grained Advisory Autonomy
Department of Civil and Environmental Engineering, Massachusetts Institute of Technology(麻省理工学院土木与环境工程系);Laboratory for Information & Decision Systems, Massachusetts Institute of Technology(麻省理工学院信息与决策系统实验室);Department of Mechanical and Automotive Engineering, Seoul National University of Science and Technology(首尔科学技术大学机械与汽车工程系)
本文提出时序迁移学习算法,通过零样本迁移解决自动驾驶中的粗粒度建议任务,验证了其在混合交通场景中的有效性。
2026-04-10 cs.AI cs.LG cs.RO
TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models
Beihang University(北京航空航天大学);Beijing University of Technology(北京工业大学)
针对历史交通数据稀缺导致预测模型难训练、泛化差的问题,提出TPLLM框架,融合CNN与GCN特征并借助LLM和LoRA微调,在全样本及少样本场景下均取得优异性能。
2024-03-18 cs.LG
A Deep Learning Approach for Network-wide Dynamic Traffic Prediction during Hurricane Evacuation
University of Central Florida(中佛罗里达大学)
主动疏散交通管理在很大程度上依赖于高时空分辨率的交通流实时监测和预测。然而,疏散交通预测是具有挑战性的,由于预测的飓风路径的突然变化,从而家庭疏散行为所造成的不确定性。此外,建模时空交通流模式需要在较长的时间段内的大量数据,而疏散通常持续2至5天。在本文中,我们提出了一种新的数据驱动的方法来预测疏散交通在网络规模。我们开发了一个动态图卷积LSTM(DGCN-LSTM)模型来学习飓风疏散的网络动力学。我们首先对非疏散时段交通数据的模型进行训练,结果表明该模型在预测非疏散时段交通方面优于现有的深度学习模型,RMSE值为226.84。然而,当我们将模型应用于疏散时间时,RMSE值增加到1440.99。我们克服了这个问题,采用了迁移学习的方法与疏散交通需求,如距离疏散区,时间着陆,和其他区域水平的功能,以控制信息(网络动态)从非疏散期间转移到疏散期间的额外功能。最终的转移学习DGCN-LSTM模型表现良好,预测疏散交通流(RMSE=399.69)。所实现的模型可以应用于预测疏散交通在一个较长的预测范围(6小时)。它将协助运输机构启动适当的交通管理战略,以减少疏散交通的延误。
2022-02-25 cs.LG cs.SI
Traffic Congestion Prediction using Deep Convolutional Neural Networks: A Color-coding Approach
随着计算机视觉的发展,交通视频数据已成为制约交通拥堵状况的关键因素。这项工作提出了一种独特的技术,交通视频分类使用颜色编码方案之前,在深卷积神经网络的交通数据。首先,将视频数据转换为图像数据集;然后,使用You Only Look Once算法执行车辆检测。采用颜色编码方案将图像数据集转换为二值图像数据集。这些二进制图像被馈送到深度卷积神经网络。使用UCSD数据集,我们获得了98.2%的分类准确率。
2022-09-16 cs.AI cs.CV
Many or Few Samples? Comparing Transfer, Contrastive and Meta-Learning in Encrypted Traffic Classification
Universitá degli Studi di Napoli Federico II(那不勒斯费德里科二世大学);Huawei Technology France(法国华为技术有限公司)
本文在MIRAGE19与AppClassNet上比较16种方法,发现对比学习最适合学习跨任务流量表示,元学习最差,且DL借助表示复用可在小任务上追平基于树的ML。
2023-06-03 cs.LG cs.NI
Multi-Agent Based Transfer Learning for Data-Driven Air Traffic Applications
针对空中交通管理数据驱动模型训练久、需大数据集的问题,提出多智能体MA-BERT模型与预训练-微调迁移学习框架,经韩国3机场数据验证可省训练时间、在少数据场景下仍具高性能。
2024-01-23 cs.LG cs.MA cs.SY
Urban traffic analysis and forecasting through shared Koopman eigenmodes
New York University Abu Dhabi(纽约大学阿布扎比分校)
针对数据稀缺城市的交通流量预测难题,提出基于约束汉克尔化DMD(TrHDMD)的跨城市迁移学习方法,通过提取并共享数据丰富城市的稳定Koopman特征模态(城市心跳),显著提升了数据稀缺城市的预测准确性与交通管理能力。
2024-12-18 cs.LG cs.SY eess.SP
Uncertainty-aware Grounded Action Transformation towards Sim-to-Real Transfer for Traffic Signal Control
Arizona State University(亚利桑那州立大学);West Windsor-Plainsboro High School South(西温莎-普莱恩斯伯勒南高中)
本文提出UGAT方法,通过基于不确定性的动作变换缓解仿真与现实之间的动力学差距,从而提升交通信号控制强化学习策略的sim-to-real迁移性能。
2023-10-30 cs.AI cs.LG
Traffic Prediction using Artificial Intelligence: Review of Recent Advances and Emerging Opportunities
University of Delaware(特拉华大学);Xi’an Jiaotong-Liverpool University(西交利物浦大学);BlueHalo(BlueHalo公司)
本文综述基于AI的交通预测方法,围绕多变量交通时间序列建模梳理数据资源、预处理、预测方法及应用,并指出研究挑战与未来方向。
2023-06-04 cs.AI cs.LG
xMTrans: Temporal Attentive Cross-Modality Fusion Transformer for Long-Term Traffic Prediction
KDDI Research, Inc.(KDDI研究所);National Institute of Information And Communications Technology(信息通信研究机构);KDDI Corp.(KDDI公司)
本文提出 xMTrans 时间注意力跨模态 Transformer,通过融合目标模态与支持模态的时间相关性提升长期交通预测性能,并在真实交通拥堵和出租车需求数据集上验证其优于现有方法。
2024-05-08 cs.AI cs.LG
Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction
The Hong Kong Polytechnic University(香港理工大学);Tongji University(同济大学);Sichuan University(四川大学);NEOMA Business School(诺欧商学院)
本文提出端到端交通预测框架,结合动态因果结构学习、因果感知时空多图卷积网络(CASTMGCN)与共形预测,提升预测精度并保证不确定性量化的统计有效性。
2024-08-23 cs.AI cs.LG
Injury risk prediction for traffic accidents in Porto Alegre/RS, Brazil
本研究描述了机器学习技术的实验应用,以建立预测模型,可以评估与交通事故相关的伤害风险。这项工作使用了2013年期间在阿雷格里港/RS(巴西)市发生的交通事故记录的免费数据集。这项研究还提供了一个分析的最重要的属性的交通事故,可能产生的结果,伤害的人在事故中。
2015-02-01 cs.AI cs.LG
Towards Explainable Traffic Flow Prediction with Large Language Models
Hong Kong University of Science and Technology (Guangzhou)(香港理工大学(广州));Johns Hopkins University(约翰霍普金斯大学);Department of Civil and System Engineering(土木与系统工程系)
本文提出xTP-LLM模型,利用大语言模型生成可解释的交通流预测,首次将LLM应用于交通预测的可解释性研究。
2024-09-03 cs.AI cs.LG
TraffNet: Learning Causality of Traffic Generation for What-if Prediction
Software College, Liaoning Technical University(辽宁工程技术大学软件学院)
针对现有基于相关性的深度学习方法无法胜任反事实交通预测的问题,本文提出TraffNet框架,通过异构图建模路网因果特征、学习路段表示来掌握交通生成机制,经合成数据集验证有效,代码和数据已开源。
2024-06-23 cs.AI cs.LG
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
A Knowledge-Guided Cross-Modal Feature Fusion Model for Local Traffic Demand Prediction
Shandong University(山东大学);Southern University of Science and Technology(南方科技大学);Northwest University(西北大学);Didi Chuxing(滴滴出行);Renmin University of China(中国人民大学);Jilin University(吉林大学)
本文提出知识引导的跨模态特征融合模型(KGCM),结合时间序列交通数据与文本知识,利用局部和全局自适应图网络及动态更新策略,提升交通需求预测准确性,优于现有SOTA模型。
2025-08-29 cs.AI cs.LG
Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis
Korea Advanced Institute of Science and Technology(韩国科学技术院);Indiana University Bloomington(印第安纳大学伯明顿分校)
针对现有交通预测模型忽略交通本质、传感器网络难反映真实路网及活动交通模式的问题,提出结合全国家庭出行调查活动频率数据的图卷积改进方法,以极小架构改动和低计算开销实现了交通预测的最优性能。
2023-08-20 cs.AI 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
Effective and Efficient Cross-City Traffic Knowledge Transfer: A Privacy-Preserving Perspective
Zhejiang University(浙江大学)
本文提出FedTT框架,通过隐私保护和高效联邦学习方法解决跨城市交通知识迁移中的隐私泄露、数据分布差异和低数据质量问题。
2026-02-01 cs.CR cs.LG
Continuous Cross-Domain Traffic State Prediction via Memory-Augmented Graph Liquid Time-Constant Networks
Software College, Liaoning Technical University(辽宁工程技术大学软件学院)
提出记忆增强图液态时间常数网络(MA-GLTC),通过时空单元分解、图液态时间常数动态和记忆迁移存储机制,实现连续时间下的跨域交通状态预测,在五个数据集上优于现有方法。
2026-06-16 cs.AI cs.LG
Adversarial Diffusion Attacks on Graph-based Traffic Prediction Models
College of Civil Engineering and Architecture, Zhejiang University(浙江大学建筑工程学院);Department of Civil and Environmental Engineering, Princeton University(普林斯顿大学土木与环境工程系);School of Engineering, Monash University(莫纳什大学工程学院);Department of Civil and Environmental Engineering, The Hong Kong Polytechnic University(香港理工大学土木与环境工程系)
实时交通预测模型在智能移动系统中发挥着关键作用,并已广泛应用于路径引导、新兴移动服务和先进的交通管理系统。随着海量交通数据的可用性,基于神经网络的深度学习方法,特别是图卷积网络(GCN),在挖掘时空信息、实现高预测精度方面表现出了突出的性能。最近的研究揭示了GCN在对抗攻击下的脆弱性,而缺乏研究来了解基于GCN的流量预测模型的脆弱性问题。鉴于此,本文提出了一个新的任务--扩散攻击,研究基于GCN的流量预测模型的鲁棒性。扩散攻击的目的是选择和攻击一小部分节点,以降低整个预测模型的性能。为了进行扩散攻击,提出了一种新的攻击算法,该算法包括两个主要部分:1)用同时扰动随机近似(SPSA)逼近黑箱预测模型的梯度; 2)采用背包贪心算法选择攻击节点。在两个城市使用三种基于GCN的交通预测模型:St-Gcn、T-Gcn和A3 t-Gcn来检验所提出的算法。该算法在各种场景下的对抗攻击任务中表现出较高的效率,并且在DropOut、DropNode和DropEdge等丢弃正则化下仍能生成对抗样本。研究结果有助于提高基于GCN的交通预测模型的鲁棒性,更好地保护智能移动系统。我们的代码可在www.example.com上获得
2021-04-19 cs.AI cs.LG
Local Gaussian Processes for Efficient Fine-Grained Traffic Speed Prediction
School of Information Systems, Singapore Management University(新加坡管理大学信息系统学院);Smeal College of Business, Pennsylvania State University(宾夕法尼亚州立大学斯米尔商学院)
交通速度是衡量城市交通系统效率的重要指标。因此,时空变化的交通速度的准确建模在城市规划和发展中起着至关重要的作用。本文研究了利用静态传感器获取的大流量数据进行高效率的细粒度交通速度预测的问题。高斯过程(GP)以前已经被用来模拟各种交通现象,包括流量和速度。然而,GPS由于其立方时间复杂度而不能与大流量数据一起扩展。在这项工作中,我们通过提出本地GP来学习和预测相关的数据子集来解决其效率问题。其主要思想是快速分组速度变量在空间和时间维度到一个有限数量的集群,以便未来和未观察到的交通速度查询可以被映射到这样的集群之一。然后,可以在运行中训练与该集群相对应的本地GP,以实时进行预测。我们称这种方法为本地化。我们使用非负矩阵分解的本地化,并提出简单的聚类映射算法。我们还利用GP内核函数的表现力来建模道路网络拓扑结构,并将边信息。使用在美国匹兹堡和华盛顿特区这两个城市收集的真实交通数据进行了广泛的实验,表明,我们提出的本地GP显着提高运行时性能和预测精度相比,基线的全球和本地的GP。
2017-08-27 cs.AI cs.LG
Counterfactual Graph Transformer for Traffic Flow Prediction
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
针对交通流预测中模型易继承数据偏差且缺乏可解释性的问题,提出反事实图Transformer(CGT)模型,通过设计扰动掩码生成器获取时空反事实解释并重训模型,在三个真实数据集上实现了更可靠且可解释的预测。
2023-08-01 cs.AI cs.LG
ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction
University of Sydney(悉尼大学);Tianjin University(天津大学)
针对长序列交通流预测的内存、计算与推理效率问题,本文提出ST-MambaSync,在Transformer框架中融合ST-Mamba块及与ResNet集成的Mamba机制,提升可解释性、精度与速度。
2024-05-09 cs.AI cs.LG
MSCMHMST: A traffic flow prediction model based on Transformer
Inner Mongolia University(内蒙古大学);Inner Mongolia Center for Transportation Research(内蒙古交通研究中心)
针对交通流预测中单一方法能力有限的问题,提出基于 Transformer 的混合模型 MSCMHMST,通过多头多尺度注意力捕获长短时序特征,并在 PeMS04/08 上验证了其准确性与鲁棒性。
2025-03-16 cs.AI cs.LG
New Results on Multi-Step Traffic Flow Prediction
University of Waterloo(滑铁卢大学)
在其最简单的形式中,交通流预测问题仅限于预测未来的单个时间步长。多步交通流预测扩展了这种设置的情况下,预测多个时间步长到未来的基础上一些有限的历史是感兴趣的。这个问题比它的单步变体要困难得多,并且已知随着时间步长的增加,预测会下降。在本文中,两种方法来提高多步交通流预测性能的递归和多输出设置。特别是,一个模型,允许递归预测方法,以考虑时间步长索引方面的时间上下文进行预测时,介绍。此外,提出了一种基于条件生成对抗网络的数据增强方法,以提高多输出环境下的预测性能。在实际交通流数据集上的实验表明,这两种方法分别在递归和多输出环境下改善了多步交通流预测。
2018-05-16 cs.AI cs.LG stat.ML
Gaussian Processes for Traffic Speed Prediction at Different Aggregation Levels
Benedict College(本尼迪克特学院);University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
在智能交通应用中,交通流的动态行为会对预测模型的性能产生不利影响。本研究将高斯过程应用于交通速度预测。这种预测可以被各种交通应用所使用,例如实时路线引导、匝道计量、拥堵定价和特殊事件交通管理。测试了具有各种聚合级别(1到60分钟)的一步预测,以确定生成模型的性能。单变量和多变量GP与其他几个线性,非线性时间序列,灰色系统模型使用循环和Inrix探测车辆数据集分别从加利福尼亚州,波特兰和弗吉尼亚州的高速公路。基于测试数据样本,结果是有希望的,GP模型能够始终优于具有类似计算时间的比较模型。
2020-11-24 cs.AI cs.LG stat.AP
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
A Graph and Attentive Multi-Path Convolutional Network for Traffic Prediction
The University of Melbourne(墨尔本大学)
由于交通系统的复杂性和不断变化的性质,交通预测是一个重要而又极具挑战性的问题。为了应对这些挑战,我们提出了一个图和关注多路径卷积网络(GAMCN)模型来预测未来给定道路网络的交通状况,例如交通速度。我们的模型侧重于影响交通状况的空间和时间因素。为了对空间因素进行建模,我们提出了一种称为LPGCN的图卷积网络(GCN)的变体,将道路网络图顶点嵌入到潜在空间中,其中具有相关交通条件的顶点彼此接近。为了对时间因素进行建模,我们使用多路径卷积神经网络(CNN)来学习过去交通状况的不同组合对未来交通状况的联合影响。这样的联合影响还通过从预测时间的嵌入生成的注意力来调制,该预测时间对交通状况的周期性模式进行编码。我们评估我们的模型在现实世界的道路网络和交通数据。实验结果表明,我们的模型优于最先进的交通预测模型高达18.9%的预测误差和23.4%的预测效率。
2022-05-30 cs.LG
Traffic Volume Prediction using Memory-Based Recurrent Neural Networks: A comparative analysis of LSTM and GRU
University of Memphis(孟菲斯大学)
实时预测交通量可以改善交通流量和道路安全。精确的交通量预测有助于提醒驾驶员沿其首选路线的交通流量,防止潜在的僵局情况。现有的参数模型不能可靠地预测动态复杂交通条件下的交通量。因此,为了实时评估和预测每个给定时间步长的交通量,我们开发了基于非线性记忆的深度神经网络模型。我们在Metro Interstate Traffic Volume数据集上进行的大量实验证明了所提出的模型在高度动态和异构交通环境中预测交通量的有效性。
2023-03-22 cs.LG
Spatial-Temporal Tensor Graph Convolutional Network for Traffic Prediction
School of Computer Science and Engineering, Nanjing University of Science and Technology(南京理工大学计算机科学与工程学院)
准确的交通预测是城市交通引导和管理的关键。然而,现有的交通量预测模型在捕捉交通量数据的时空相关性时,大多没有考虑计算负担和存储空间。在这项工作中,我们提出了一个分解时空张量图卷积网络来处理交通速度预测。交通网络建模和统一到一个图,同时集成了空间和时间的信息。我们进一步扩展图卷积到张量空间,并提出了一个张量图卷积网络,以提取更多的区别特征的时空图数据。为了减少计算负担,我们采用Tucker张量分解并导出因式分解的张量卷积,该卷积在小尺度空间,时间和特征模式中执行单独的滤波。此外,我们可以受益于噪声抑制的交通数据时,丢弃那些平凡的成分在张量分解的过程中。在两个真实的交通速度数据集上的大量实验表明,该方法比传统的交通预测方法更有效,同时达到了最先进的性能。
2021-03-10 cs.LG
A Transferable Intersection Reconstruction Network for Traffic Speed Prediction
Jilin University(吉林大学);Loughborough University(拉夫堡大学);Tongji University(同济大学)
交通速度预测是许多有价值的应用的关键,也是一个具有挑战性的任务,因为它的影响因素很多。最近的工作试图通过各种混合模型获得更多的信息,从而提高预测精度。然而,这些方法的空间信息获取方案具有两级分化问题。要么建模简单但包含的空间信息很少,要么建模完整但缺乏灵活性。为了在保证灵活性的基础上引入更多的空间信息,本文提出了IRNet(可转换交叉口重建网络)。首先,将交叉口重构为具有相同结构的虚拟交叉口,简化了路网的拓扑结构;然后,将空间信息细分为交叉口信息和交通流向序列信息,通过各种模型获取时空特征。第三,自注意机制被用来融合时空特征进行预测。在与基线的对比实验中,不仅预测效果,而且传递性能都具有明显的优势。
2022-07-22 cs.LG
A Traffic Light Dynamic Control Algorithm with Deep Reinforcement Learning Based on GNN Prediction
Beihang University(北京航空航天大学)
当今的智能交通灯控制系统是根据当前的道路交通状况进行交通调节的。然而,这些方法不能提前利用未来的交通信息。针对多交叉口智能交通控制系统的交通拥堵问题,提出了一种结合图神经网络(GNN)的深度强化学习(DRL)算法GPlight。在GPlight中,首先使用图神经网络(GNN)来预测交叉口的未来短期交通流。然后,将交通流预测结果用于交通灯控制,智能体将预测结果与观测到的当前交通状况相结合,动态控制交叉口交通灯的相位和时长。在杭州和纽约的模拟数据集和真实数据集上的实验验证了GPlight算法的有效性和合理性。
2020-09-29 cs.LG
Multistep Speed Prediction on Traffic Networks: A Graph Convolutional Sequence-to-Sequence Learning Approach with Attention Mechanism
Tsinghua University(清华大学);University of Washington(华盛顿大学)
道路网络的多步交通预测是智能交通系统成功应用的关键。为了捕捉多步交通状况预测中复杂的非平稳时间动态和空间依赖性,我们提出了一种新的深度学习框架,称为注意力图卷积序列到序列模型(AGC-Seq 2Seq)。在该深度学习框架中,分别采用Seq 2Seq模型和图卷积网络对空间和时间依赖性进行建模,并提出了基于Seq 2Seq架构的注意力机制和新设计的训练方法,以克服多步预测的困难,进一步捕捉流量模式的时间异质性。我们使用真实世界的数据集进行数值测试,将AGC-Seq 2Seq与其他基准模型进行比较。结果表明,我们的模型在各种预测误差测量方面具有最佳的预测性能。通过敏感性分析,揭示了交通条件在不同的传播步长和路段下的时空相关性变化规律。
2018-10-24 cs.AI cs.LG stat.ML
Federated Learning for Traffic Flow Prediction with Synthetic Data Augmentation
针对交通数据隐私敏感、分散在多利益方数据孤岛的问题,提出FedTPS联邦学习框架,通过联邦训练扩散轨迹生成模型合成数据增强本地数据集,结合新型时空注意力预测模型,在真实网约车数据集上的全局模型性能优于多个联邦基线。
2025-03-20 cs.AI cs.DC cs.LG
HintNet: Hierarchical Knowledge Transfer Networks for Traffic Accident Forecasting on Heterogeneous Spatio-Temporal Data
University of Iowa(爱荷华大学);Northern Illinois University(北伊利诺伊大学);Worcester Polytechnic Institute(伍斯特理工学院)
交通事故预测是交通管理和公共安全的重要问题。然而,由于环境的空间异质性和事故在空间和时间上的稀疏性,这个问题是具有挑战性的。交通事故的发生受到时空特征之间复杂依赖关系的影响。最近的交通事故预测方法已经尝试使用深度学习模型来提高准确性。然而,大多数这些方法要么集中在小规模和均匀的地区,如人口稠密的城市,或简单地使用基于滑动窗口的集成方法,这是不足以处理大区域的异质性。为了解决这些局限性,本文提出了一种新的层次知识转移网络(HintNet)模型,以更好地捕捉不规则的异质性模式。HintNet执行多级空间分区,以分离具有不同风险的子区域,并使用时空和图形卷积为每个级别学习深度网络模型。通过跨级别的知识转移,HintNet实现了更高的准确性和更高的培训效率。对来自爱荷华州的真实事故数据集进行的大量实验表明,HintNet在空间异构和大规模区域上的表现优于最先进的方法。
2022-03-07 cs.LG
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