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
Generalising Traffic Forecasting to Regions without Traffic Observations
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出GenCast模型,通过整合物理信息神经网络和外部信号学习模块,提升无交通观测区域的交通预测泛化能力。
2025-12-30 cs.AI cs.LG
Traffic-Twitter Transformer: A Nature Language Processing-joined Framework For Network-wide Traffic Forecasting
University of Washington(华盛顿大学);Beihang University(北京航空航天大学);STAR Lab(STAR实验室)
通过准确及时的交通预测,可以提前预测受影响的交通状况,以指导机构和居民适当地应对交通模式的变化。然而,现时的交通预测工作主要依赖过往的交通模式,只限于短期预测,例如少于1小时。为了更好地管理未来的道路通行能力并适应社会和人类的影响,提出一个灵活而全面的框架来预测公共用户和交通机构的物理感知长期交通状况是至关重要的。在本文中,鲁棒的长期交通预测的差距,弥补了社会媒体的特点考虑。首先进行相关性研究和线性回归模型,以评估两个时间序列数据,流量强度和Twitter数据强度之间的相关性的意义。然后,将两个时间序列数据输入我们提出的社会感知框架中,该框架将自然语言表示集成到时间序列记录中,用于长期流量预测。在大西雅图地区的实验结果表明,我们提出的模型优于基线模型在所有的评估矩阵。这个加入NLP的社会感知框架可以成为交通机构的网络范围内的流量预测和管理的一个有价值的实现。
2022-10-30 cs.AI cs.LG
Multi-scale Traffic Pattern Bank for Cross-city Few-shot Traffic Forecasting
Shanghai Jiao Tong University(上海交通大学);Ocean University of China(中国海洋大学)
针对数据稀缺城市的交通预测难题,本文提出 MTPB,通过源城市时空预训练、聚类构建多尺度模式库并由目标城市查询聚合元知识以指导图重构与预测,在真实数据集上优于现有方法。
2024-02-26 cs.AI 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
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
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
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
Expand and Compress: Exploring Tuning Principles for Continual Spatio-Temporal Graph Forecasting
INTR \& DSA Thrust, The Hong Kong University of Science
针对流式时空预测中重训效率低与灾难性遗忘的问题,提出基于“扩展与压缩”原则的提示调优持续预测方法,结合持续提示池与基础时空图神经网络联合优化,在多数据集上实现多方面性能提升。
2025-10-29 cs.AI cs.LG
Domain Adversarial Spatial-Temporal Network: A Transferable Framework for Short-term Traffic Forecasting across Cities
University of Hong Kong(香港大学);Massachusetts Institute of Technology(麻省理工学院);City University of Hong Kong(香港城市大学);The Hong Kong Polytechnic University(香港理工大学)
准确的实时交通预测对于智能交通系统(ITS)至关重要,它是各种智能移动应用的基石。虽然这一研究领域由深度学习主导,但最近的研究表明,通过开发新的模型结构来提高准确性的效果正在变得微不足道。相反,我们设想可以通过在具有不同数据分布和网络拓扑的城市之间传输“预测相关知识”来实现改进。为此,本文旨在提出一种新的可转移的流量预测框架:域对抗时空网络(DASTNet)。DASTNet在多个源网络上进行预训练,并根据目标网络的流量数据进行微调。具体来说,我们利用图表示学习和对抗性领域自适应技术来学习域不变的节点嵌入,这进一步被纳入建模的时间流量数据。据我们所知,我们是第一个采用对抗性多领域自适应的网络范围内的流量预测问题。DASTNet在三个基准数据集上的性能始终优于所有最先进的基线方法。经过训练的DASTNet应用于香港的新交通探测器,当探测器可用时,可以立即(在一天内)提供准确的交通预测。总体而言,本研究提出了一种替代方案,以提高交通预测方法,并提供了实际意义的城市缺乏历史交通数据。
2022-08-19 cs.AI cs.LG
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China(计算机学院,湘潭大学,湘潭,411105,中国)
提出一种结合图神经网络与自监督预训练的自适应时空图框架,通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI 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
A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios
University of Pennsylvania(宾夕法尼亚大学);Argonne National Laboratory(阿贡国家实验室)
针对时空图神经网络在拥堵预测上的不足,本文比较多种损失函数,发现MAE-Focal和Gumbel损失分别优化MAE和MSE时最有效,能在不牺牲常规预测精度下提升拥堵预测能力。
2023-08-29 cs.AI cs.LG
FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting
Department of Computer Science and Engineering, University of North Texas(计算机科学与工程系,北卡罗来纳州立大学)
本文面向事件感知交通预测,提出FUSE-Traffic以融合非结构化与结构化数据,克服传统GNN依赖人工事件特征、泛化性弱及语义损失的问题。
2025-10-16 cs.AI cs.LG
AutoSTF: Decoupled Neural Architecture Search for Cost-Effective Automated Spatio-Temporal Forecasting
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
针对自动化时空预测中神经架构搜索开销高的问题,本文提出解耦框架 AutoSTF,通过时空搜索空间分离、表示压缩、参数共享及多块迁移提升效率与精度。
2025-01-08 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
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
Transfer Learning and Online Learning for Traffic Forecasting under Different Data Availability Conditions: Alternatives and Pitfalls
TECNALIA(泰克纳利亚);Basque Research and Technology Alliance (BRTA)(巴斯克研究与技术联盟);University of the Basque Country (UPV/EHU)(巴斯克大学)
本研究旨在揭示迁移学习(TL)在缺乏数据的情况下开发交通流预测模型的潜力。在TL范式下,从高质量预测模型转移知识变得可行,从而能够用很少的数据生成新的适当模型。为了探索这种能力,我们确定了三种不同级别的数据缺失场景,其中TL技术应用于深度学习(DL)方法中进行流量预测。然后,传统的批处理学习进行比较TL基于模型使用真实的交通流数据,由马德里市议会(西班牙)管理的部署环路收集。此外,我们应用在线学习(OL)技术,其中模型在每次预测后接收更新,以适应交通流趋势的变化,并从新的传入交通数据中增量学习。所获得的实验结果揭示了交通流预测的传输和在线学习的优点,并在感兴趣的位置处与可用的训练数据的量的相互作用上得出实用的见解。
2020-05-08 cs.AI cs.LG
XXLTraffic: Expanding and Extremely Long Traffic forecasting beyond test adaptation
University of New South Wales(新南威尔士大学)
XXLTraffic是一个大规模交通数据集,用于支持超越测试适应的极长交通预测研究。
2025-12-02 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
STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Chang’an University(长安大学);China University of Geosciences(中国地质大学)
针对现实交通数据时空预测难题,提出STKAN架构,将泰勒多项式柯尔莫哥洛夫-阿诺德网络模块引入时空令牌混合,经实验验证其性能有竞争力,表明非线性函数逼近器设计对时空预测架构设计有补充作用。
2026-07-16 cs.AI cs.LG
Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting
Xiamen University(厦门大学);Griffith University(格里菲斯大学);University of Technology Sydney(悉尼科技大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
针对现有交通预测时空图建模方法无法捕捉跨时间步异节点关联、忽略动态时空关联的问题,提出时空联合图卷积网络STJGCN,通过构建时空联合图、结合扩张因果卷积与多范围注意力实现多步预测,在5个数据集上优于11种基线方法且计算高效。
2023-06-13 cs.AI cs.LG
Rethinking Spatio-Temporal Transformer for Traffic Prediction:Multi-level Multi-view Augmented Learning Framework
Heilongjiang University(黑龙江大学)
针对交通预测中复杂的时空相关性问题,提出LVSTformer模型,通过多级多视图空间注意力、门控时间注意力及时空上下文广播模块捕捉依赖关系,在六个基准上实现SOTA性能,最大提升4.32%。
2024-06-17 cs.AI cs.LG
Multi-View Neural Differential Equations for Continuous-Time Stream Data in Long-Term Traffic Forecasting
University of Florida(佛罗里达大学)
针对传统神经微分方程难以捕捉延迟、动态边及突变趋势模式的问题,提出多视图神经微分方程架构,通过多视图潜在表征学习捕捉交通动态,在真实数据集上实现更优的长期交通预测精度与鲁棒性。
2024-08-12 cs.AI cs.LG
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
FDN: Interpretable Spatiotemporal Forecasting with Future Decomposition Networks
Department of Intelligent Systems Engineering, Indiana University Bloomington(印第安纳大学布卢明顿分校智能系统工程系);Department of Computer Science and Engineering, Texas A&M University(德克萨斯大学阿姆斯特朗分校计算机科学与工程系)
提出未来分解网络(FDN),通过分类实现可解释预测,揭示潜在活动模式,并以更低的存储和运行成本达到与最先进方法相当的预测精度。
2026-06-25 cs.AI cs.LG
Graph Neural Networks for Traffic Forecasting
Laboratório Nacional de Engenharia Civil(国家土木工程实验室);INESC-ID;Instituto Superior Técnico, University of Lisbon(里斯本大学高等技术学院)
世界人口和城市化的显著增长带来了一些重大挑战,特别是在城市交通的可持续性、维护和规划方面。与此同时,计算能力以及可用传感器和位置数据的指数级增长为这些挑战的创新解决方案提供了潜力。在这项工作中,我们专注于交通预测的挑战和审查的最新发展和应用的图神经网络(GNN),这个问题。GNN是一类深度学习方法,直接将输入作为图形数据处理。这更直接地利用了交通数据的空间依赖性,并利用了深度学习的优势,产生了最先进的结果。我们介绍并回顾了GNN的新兴主题,包括它们最常见的变体,重点是它在流量预测中的应用。我们解决了不同的方式建模交通预测(时间)图,不同的方法开发到目前为止,结合图形和时间学习组件,以及目前的限制和研究机会。
2021-04-27 cs.AI cs.LG
FPTN: Fast Pure Transformer Network for Traffic Flow Forecasting
Southwest University(西南大学)
由于交通流数据具有复杂的时空相关性,交通流预测具有挑战性。现有的基于Transformer的交通流预测方法通常将交通流预测视为多变量时间序列预测。然而,太多的传感器可能会导致维度大于800的向量,这很难在不丢失信息的情况下进行处理。此外,这些方法设计了复杂的机制来捕获MTS中的空间依赖性,导致预测速度缓慢。针对上述问题,本文提出了一种快速纯Transformer网络(FPTN)。首先,交通流数据被划分为沿传感器维而不是时间维的序列。然后,为了充分表示复杂的时空相关性,提出了三种类型的嵌入将这些向量投影到合适的向量空间。然后,为了同时捕获这些向量中复杂的时空相关性,我们使用Transformer编码器并将其与几个层堆叠。使用4个真实数据集和13个基线进行了大量实验,结果表明FPTN在两个指标上优于最先进的方法。与此同时,FPTN的计算时间不到其他最先进的基于Transformer的模型的四分之一,对计算资源的要求也大大降低。
2023-03-14 cs.AI cs.LG
A Deep Learning Framework for Traffic Data Imputation Considering Spatiotemporal Dependencies
Alibaba Group(阿里巴巴集团);Loudonville Christian School(劳登维尔基督教学校)
针对交通ST数据缺失及现有方法难以建模动态时空依赖的问题,提出一种深度学习填补框架,以同时刻画时空关系并增强表示能力。
2023-04-18 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
DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
Xinjiang University(新疆大学)
针对协作式云边环境中多维特征建模与预测效率平衡难题,提出DSTFView框架,通过双输入时空频率建模联合捕捉多种依赖性,设计自适应融合机制,实验证明其在多指标上优于基线。
2026-07-28 cs.AI cs.LG
CESNET-TimeSeries24: Time Series Dataset for Network Traffic Anomaly Detection and Forecasting
CESNET a.l.e.;Czech Technical University in Prague(布拉格捷克理工大学)
本文提出CESNET-TimeSeries24数据集,基于CESNET3网络中27.5万个活跃IP地址40周的流量构建,旨在填补大规模真实网络数据空白,为基于预测的异常检测方法提供真实评估基准。
2024-09-27 cs.AI cs.LG
Revealing the Power of Masked Autoencoders in Traffic Forecasting
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Visa Research(Visa研究院)
针对交通预测中的数据稀缺和模型稳定性问题,提出即插即用的时空掩码自编码器框架STMAE,通过双重掩码预训练与微调集成,显著提升多种时空模型的预测精度。
2024-07-28 cs.AI 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
A Latent Feature Analysis-based Approach for Spatio-Temporal Traffic Data Recovery
Chongqing University of Posts and Telecommunications(重庆邮电大学);Southwest University(西南大学);University of Chinese Academy of Sciences(中国科学院大学)
数据缺失是数据驱动的智能交通系统(ITS)中不可避免的常见问题。在过去的十年中,学者们对丢失流量数据的恢复做了大量的研究,但是如何充分利用时空流量模式来提高恢复性能仍然是一个悬而未决的问题。针对交通速度数据的时空特性,将缺失数据的恢复视为矩阵补全问题,提出了一种基于隐藏特征分析的时空交通数据补全方法,从不完整数据中发现时空模式和底层结构,完成恢复任务。因此,我们引入空间和时间相关性来捕获每个维度的主要潜在特征。最后,通过对这些潜在特征的分析,将其应用于交通数据的恢复。实验和评价结果表明,该模型的评价准则值较小,表明该模型具有较好的性能。结果表明,该模型能准确估计连续缺失数据。
2022-08-16 cs.AI cs.LG eess.SP
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology(武汉理工大学);Zhejiang Sci-Tech University(浙江理工大学)
针对现有交通流预测方法时空建模分离且复杂度高的问题,提出更快速有效的时空同步图卷积网络FasterSTS,以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Explainable Graph Pyramid Autoformer for Long-Term Traffic Forecasting
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);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)
准确的交通预测是智能交通系统的关键。尽管许多深度学习模型在长达1小时的短期交通预测方面已经达到了最先进的性能,但跨越多个小时的长期交通预测仍然是一个重大挑战。此外,大多数现有的深度学习流量预测模型都是黑箱,这带来了与可解释性和可解释性相关的额外挑战。我们开发了图金字塔自动生成器(X-GPA),一个可解释的基于注意力的时空图神经网络,它使用了一种新的金字塔自相关注意力机制。它可以从图上的长时间序列中学习,并提高长期流量预测的准确性。我们的模型可以实现高达35%更好的长期交通预测精度比几个国家的最先进的方法。来自X-GPA模型的基于注意力的分数提供了基于交通动态的空间和时间解释,其对于正常与高峰时段交通以及工作日与周末交通而变化。
2022-09-27 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
STMARL: A Spatio-Temporal Multi-Agent Reinforcement Learning Approach for Cooperative Traffic Light Control
University of Science and Technology of China(中国科学技术大学);University of Arizona(亚利桑那大学);IFLYTEK Co., Ltd(科大讯飞股份有限公司);Rutgers University(罗格斯大学)
智能交通灯控制系统的开发是智能交通管理的基础。虽然已经做出了一些努力,以优化使用单独的交通信号灯在一个孤立的方式,相关的研究在很大程度上忽略了这样一个事实,即多路口交通信号灯的使用是空间上的影响,并有一个时间依赖性的历史交通状态的当前交通信号灯控制。为此,在本文中,我们提出了一种新的时空多智能体强化学习(STMARL)框架,有效地捕捉多个相关的交通灯的时空依赖性和控制这些交通灯的协调方式。具体而言,我们首先构建交通灯邻接图的基础上的空间结构的交通灯。然后,历史交通记录将通过递归神经网络结构与当前交通状态相结合。此外,基于时间相关的交通信息,我们设计了一个基于图神经网络的模型来表示多个交通灯之间的关系,并通过深度Q学习方法以分布式方式对每个交通灯进行决策。最后,通过仿真数据和真实数据的实验结果验证了STMARL框架的有效性,并对多交叉口交通信号灯的影响机制提供了深入的理解.
2020-11-29 cs.AI cs.LG cs.MA
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology(南方科技大学);The University of Tokyo(东京大学);University of Technology Sydney(悉尼科技大学)
针对交通预测中捕捉复杂时空模式的难题,本研究提出时空自适应嵌入组件,搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA,验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
A Novel Framework for Handling Sparse Data in Traffic Forecast
Huawei Amsterdam Research Center(华为阿姆斯特丹研究中心);National and Kapodistrian University of Athens(雅典国立卡波季斯特里安大学)
配备GPS的车辆数量不断增加,为移动车辆所经过的道路提供实时的有价值的交通信息。以这种方式,为每条道路生成一组稀疏且随时间演进的交通报告。这些时间序列是预测未来交通状况的宝贵资产。在本文中,我们提出了一个深度学习框架,编码稀疏的最近的交通信息和预测未来的交通状况。我们的框架包括一个经常性的部分和一个解码器。循环部分采用注意力机制,该注意力机制对在特定时间窗口可用的业务报告进行编码。解码器负责预测未来的交通状况。
2023-01-12 cs.LG
Beyond Hawkes: Neural Multi-event Forecasting on Spatio-temporal Point Processes
Rice University(莱斯大学)
预测时间和空间上的离散事件有许多科学应用,例如预测危险的地震和传染病的爆发。历史相关的时空霍克斯过程经常被用来对这些点事件进行数学建模。然而,以前的方法面临着许多挑战,特别是在试图预测一个或多个未来事件时。在这项工作中,我们提出了一个新的神经架构,同时多事件预测的时空点过程,利用Transformers,增强与规范化流程和概率层。我们的网络对未来离散事件的复杂历史相关时空分布进行批量预测,在各种基准数据集上实现了最先进的性能,包括南加州地震,Citibike,Covid-19和Hawkes合成风车数据集。更一般地说,我们说明了我们的网络如何应用于具有相关标记的离散事件的任何数据集,即使在不知道底层物理的情况下。
2023-01-28 cs.AI cs.LG eess.SP
Simple and Robust Forecasting of Spatiotemporally Correlated Small Earth Data with A Tabular Foundation Model
School of Engineering and Technology, China University of Geosciences (Beijing)(工程与技术学院,中国地质大学(北京));School of Geological Engineering and Geomatics, Chang'an University(地质工程与测绘学院,长安大学)
针对小型地球数据时空预测中传统深度学习需任务特定训练及基础模型存在全局均值偏差的问题,提出通过量化时空模式并利用表格基础模型进行预测的简单鲁棒方法,在多数场景下准确率和鲁棒性优于T-GCN和TabPFN。
2025-10-10 cs.LG
Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction
University of California, Berkeley(加州大学伯克利分校);Mines Paris, PSL University(巴黎矿业学院(PSL大学));Valeo Driving Assistant Research(法雷奥驾驶辅助研究中心)
针对CIRCLES项目中数据源延迟及实时交通状态估计需求,提出融合空间自注意力与LSTM的SA-LSTM及其n-step多步扩展,在中观交通预测中实现先进性能。
2024-03-04 cs.AI cs.LG cs.RO
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
Cross-city Few-Shot Traffic Forecasting via Traffic Pattern Bank
Shanghai Jiao Tong University(上海交通大学);Ocean University of China(中国海洋大学)
针对数据稀缺城市少样本交通预测难题,提出基于交通模式库的跨城市预测框架,通过迁移富数据城市交通模式知识,结合元训练优化,显著提升预测性能。
2023-08-17 cs.LG
AST-GCN: Attribute-Augmented Spatiotemporal 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)
交通量预测是智能交通领域的一项基础性和挑战性任务。准确的预测不仅依赖于历史交通流信息,还需要考虑各种外部因素的影响,如天气状况、周边POI分布等。近年来,融合图卷积网络和递归神经网络的时空模型成为交通预测的研究热点,并取得了重大进展。然而,很少有作品结合外部因素。因此,基于引入外部因素可以提高时空预测流量的准确性和改善解释性的假设,我们提出了一个属性增强时空图卷积网络(AST-GCN)。我们将外部因素建模为动态属性和静态属性,并设计了一个属性增强单元来编码和集成这些因素到时空图卷积模型中。在真实数据集上的实验表明,与传统的交通预测方法相比,考虑外部信息对交通预测任务的有效性。此外,在不同的属性增强方案和预测水平设置下,AST-GCN的预测精度高于基线。
2020-11-22 cs.LG
TUBO: A Tailored ML Framework for Reliable Network Traffic Forecasting
The University of Edinburgh(爱丁堡大学)
TUBO是一种定制化的机器学习框架,通过突发处理和模型选择组件提升网络流量预测的可靠性,显著提高预测准确性和突发发生预测精度。
2026-02-12 cs.LG
Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting
University of Texas at Arlington(德克萨斯大学阿灵顿分校);Mojio Inc.(Mojio公司)
本文提出了一种时空风速预测算法,使用深度学习(DL),特别是,递归神经网络(RNN)。受可再生能源整合和智能电网的最新进展的启发,我们将我们提出的算法用于风速预测。可再生能源(风能和太阳能)在本质上是随机的,因此,准确的短期预测有助于它们的整合。在我们提出的框架中,我们通过一个图来建模时空信息,该图的节点是数据生成实体,其边缘基本上是这些节点如何相互作用的模型。我们的工作的主要贡献之一是,我们在同一时间基于一个框架获得预测的所有节点的图。记录的时间序列数据在美国东北部的风力发电厂的集合的案例研究的结果表明,所提出的基于DL的预测算法显着提高了短期预测相比,一组广泛使用的基准模型。
2017-07-24 cs.LG
Embedding spatial context in urban traffic forecasting with contrastive pre-training
UNSW Sydney(新南威尔士大学悉尼分校);School of Computer Science and Engineering(计算机科学与工程学院)
针对城市交通预测缺乏上下文感知方法的问题,提出基于交通商图的几何编码器,结合OpenStreetMap数据经对比预训练后集成到GNN交通预测模型中,无需额外交通数据即可提升泛化性与性能。
2025-03-19 cs.LG
RePST: Language Model Empowered Spatio-Temporal Forecasting via Semantic-Oriented Reprogramming
The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));The Hong Kong University of Science and Technology(香港科学与技术大学);Shandong University(山东大学);Oxford University(牛津大学);Beihang University(北航大学)
针对数据稀缺下时空预测难题,提出语义导向重编程框架RePST,利用预训练语言模型,通过分解与离散化提升预测性能,优于十二种基线。
2025-06-23 cs.AI cs.CL cs.LG
Decorrelating the Future: Joint Frequency Domain Learning for Spatio-temporal Forecasting
University of Washington(华盛顿大学);Arizona State University(亚利桑那州立大学)
本文提出FreST损失,通过联合频域学习有效消除时空依赖,提升时空预测性能。
2026-02-13 cs.AI cs.LG stat.ML
Fusion Matrix Prompt Enhanced Self-Attention Spatial-Temporal Interactive Traffic Forecasting Framework
Jilin University(吉林大学)
针对交通预测中忽略区域交通相关性与时间切片重要性的局限,提出融合矩阵提示增强自注意力时空交互预测框架FMPESTF,通过构建交通融合矩阵重构动态数据结构并引入分层时空交互学习,在六个真实数据集上显著优于基线模型。
2024-10-12 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