CoMemNet: A Continual Memory Network with Drift-Aware Sampling for Traffic Prediction
College of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);School of Automation, Nanjing University of Science and Technology(南京理工大学自动化学院)
CoMemNet提出一种双分支持续学习框架,通过动态对比采样和轻量级记忆缓冲器解决持续交通预测中的灾难性遗忘问题,实验证明其在三大真实世界数据集上达到SOTA性能。
2026-10-05 cs.AI cs.LG
Learning to Remember Patterns: Pattern Matching Memory Networks for Traffic Forecasting
Ulsan National Institute of Science and Technology(蔚山科学技术院)
交通预测是一个具有挑战性的问题,由于复杂的道路网络和突然的速度变化引起的各种事件的道路。已经提出了一些模型来解决这个具有挑战性的问题,重点是学习道路的时空依赖性。在这项工作中,我们提出了一个新的视角转换的预测问题转化为一个模式匹配任务,假设大数据可以表示为一组模式。为了评估新视角的有效性,我们设计了一种新的流量预测模型,称为模式匹配记忆网络(PM-MemNet),它学习匹配输入数据的代表性模式与键值记忆结构。我们首先提取和聚类代表性的交通模式,作为内存中的键。然后通过匹配提取的关键字和输入,PM-MemNet从内存中获取现有流量模式的必要信息,并将其用于预测。为了模拟时空相关的流量,我们提出了新的内存架构GCMem,它集成了注意力和图形卷积的内存增强。实验结果表明,PM-MemNet比最先进的模型更准确,例如具有更高响应性的Graph WaveNet。我们还提出了一个定性的分析结果,描述了PM-MemNet的工作原理,并实现其更高的精度时,道路速度迅速变化。
2022-03-08 cs.LG cs.NE
TDDM-Melatt: A Decoupled Memory and Diffusion Framework for Generalizable Encrypted Traffic Classification
National University of Defense Technology(国防科技大学)
针对加密流量分类的泛化性局限,研究提出TDDM-Melatt框架,结合解耦内存模型Melatt与流量去噪扩散模型TDDM,在4个公开数据集上的实验性能优于6种基础分类模型和6种SOTA表示学习模型。
2026-09-14 cs.LG
A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction
LIP6 / UPMC(巴黎第六大学计算机科学实验室 / 皮埃尔和玛丽·居里大学)
网络流量矩阵(TM)预测被定义为从以前的和实现的网络流量数据估计未来的网络流量的问题。它广泛应用于网络规划、资源管理和网络安全等领域。长短期记忆(LSTM)是一种特定的循环神经网络(RNN)架构,非常适合从经验中学习,以分类,处理和预测具有未知大小时滞的时间序列。LSTM已经被证明比传统的RNN更准确地建模时间序列及其长期依赖性。在本文中,我们提出了一个LSTM RNN框架,用于预测大型网络中的短期和长期流量矩阵(TM)。通过在GEANT网络的真实数据上验证我们的框架,我们证明了我们的LSTM模型收敛速度很快,并且对于相对较小的模型提供了最先进的TM预测性能。
2017-06-08 cs.LG cs.NI
Q-DATA: Enhanced Traffic Flow Monitoring in Software-Defined Networks applying Q-learning
Technische Universität Chemnitz(开姆尼茨工业大学);Duy Tan University(维新大学)
软件定义网络(SDN)通过将数据平面与控制平面分离来引入集中式网络控制和管理,这有助于流量监控、安全分析和策略制定。然而,选择适当程度的业务流处理粒度同时主动保护转发设备免于过载是具有挑战性的。在本文中,我们提出了一种新的业务流匹配控制框架称为Q-DATA,应用强化学习,以提高基于SDN的网络中的业务流监控性能,并防止流量转发性能下降。我们首先描述和分析了一个基于SDN的交通流匹配控制系统,该系统采用了基于Q-学习算法的强化学习方法,以最大限度地提高交通流粒度。它还考虑了从基于支持向量机的算法导出的SDN交换机的转发性能状态。接下来,我们概述了Q-DATA框架,该框架结合了来自交通流匹配控制系统的最佳交通流匹配策略,以有效地提供其他机制所需的最详细的交通流信息。我们的新方法实现为REST SDN应用程序,并在SDN环境中进行评估。通过综合实验,结果表明,与常见SDN控制器的默认行为和我们以前的DATA机制相比,新的Q-DATA框架在SDN交换机的流量转发性能降级保护方面有了显着的改善,同时仍能按需提供最详细的流量信息。
2019-09-04 cs.LG cs.NI
Online Limited Memory Neural-Linear Bandits with Likelihood Matching
Technion Institute of Technology(以色列理工学院);DeepMind(深度思维);Nvidia Research(英伟达研究院)
我们研究神经线性强盗解决问题,{\em两者}探索和表示学习发挥了重要作用。神经线性强盗利用深度神经网络(DNN)的表示能力,并通过利用模型的不确定性估计将其与高效的探索机制相结合,该模型专为最后一个隐藏层上的线性上下文强盗而设计。为了减轻在处理期间表示变化的问题,使用来自无限缓冲器的存储数据来计算新的不确定性估计。然而,当存储的数据量有限时,就会出现一种称为灾难性遗忘的现象。为了缓解这一点,我们提出了一个似然匹配算法,是弹性的灾难性遗忘,是完全在线的。我们应用我们的算法,有限记忆神经线性与Likestival匹配(NeuralLinear-LiM2)在各种数据集上,并观察到我们的算法实现了与无限记忆方法相当的性能,同时表现出对灾难性遗忘的弹性。
2021-06-08 cs.AI cs.LG
DeLTA: GPU Performance Model for Deep Learning Applications with In-depth Memory System Traffic Analysis
The University of Texas at Austin(得克萨斯大学奥斯汀分校);NVIDIA(英伟达)
训练卷积神经网络(CNN)需要高计算吞吐量和高内存带宽。特别是,卷积层占了CNN训练的大部分执行时间,GPU通常用于加速这些层的工作负载。GPU设计优化以实现高效的CNN训练加速,需要准确建模计算和内存资源增加时性能如何提高。我们提出了DeLTA,这是第一个分析模型,可以准确估计每个GPU存储层次结构级别的流量,同时考虑并行卷积算法的复杂重用模式。我们证明了我们的模型对于不同的CNN和GPU架构都是准确和鲁棒的。然后,我们将展示如何使用此模型来仔细平衡不同GPU资源的缩放,以提高CNN的性能。
2019-04-02 cs.DC cs.LG
Flow-ERD: Agent-type Aware Flow Matching With Entropy-Regularized Distillation for Diverse Traffic Simulation
NAVER LABS Corp.(NAVER实验室公司)
为解决交通模拟中多样性未被充分探索的问题,提出Flow-ERD模拟器,其核心方法是智能体类型感知流匹配与熵正则化蒸馏,能联合追求现实性和多样性,在测试基准中排名第一,主导帕累托前沿。
2026-10-26 cs.LG cs.RO
STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction
Sungkyunkwan University(成均馆大学);University of California, Riverside(加州大学河滨分校);Cornell University(康奈尔大学)
为解决交通流预测中模型内存消耗大且难以同时捕捉时空依赖的问题,提出轻量级模型STLGRU,通过记忆增强注意力与门控机制同步学习时空关系,在减少参数与内存占用的同时实现了最先进的预测性能和计算效率。
2024-02-19 cs.LG
A Real Time 1280x720 Object Detection Chip With 585MB/s Memory Traffic
National Yang Ming Chiao Tung University(阳明交通大学);Taiwan Semiconductor Research Institute(台湾半导体研究院)
内存带宽已成为当前深度学习加速器(DLA)的实时瓶颈,特别是对于高清(HD)目标检测。在资源受限的情况下,提出了一种软硬件联合优化的低内存流量DLA芯片。为了最大限度地提高硬件利用率下的内存带宽,我们变形和融合的目标检测模型到一个组融合准备模型,以减少中间数据访问。这将YOLOv 2的功能内存流量从2.9 GB/s降低到0.15 GB/s。为了支持组融合,我们以前的基于DLA的硬件采用了一个统一的缓冲区,具有写屏蔽功能,用于在融合组中进行简单的逐层处理。与我们之前具有相同PE数的DLA相比,采用TSMC 40 nm工艺实现的芯片支持1280 x720@30 FPS目标检测,消耗的外部DRAM访问能量减少了7.9倍,从2607 mJ到327.6 mJ。
2022-05-02 cs.AR cs.CV cs.LG
Energy-Efficient Wake-Up Signalling for Machine-Type Devices Based on Traffic-Aware Long-Short Term Memory Prediction
Universidad Central “Marta Abreu” de Las Villas(拉斯维亚斯中央大学(“玛尔塔·阿布雷乌”中央大学));Universidad Tecnológica Metropolitana(大都会理工大学);Federal University of Santa Catarina(圣卡塔琳娜联邦大学)
降低能耗是低功率机器类型通信(MTC)网络中的紧迫问题。在这方面,唤醒信号(WuS)技术,其目的是最大限度地减少机器类型设备(MTD)的无线电接口消耗的能量,是一个有前途的解决方案。然而,国家的最先进的WuS机制使用静态的操作参数,所以他们不能有效地适应系统的动态。为了克服这一点,我们设计了一个简单但有效的神经网络来预测MTC流量模式,并相应地配置WuS。我们提出的预测WuS(FWuS)利用了一个准确的基于长短期记忆(LSTM)的流量预测,可以通过避免空闲状态下频繁的页面监控来延长MTD的睡眠时间。仿真结果表明了该方法的有效性。流量预测误差低于4%,虚警概率和漏检概率分别低于8.8%和1.3%。在能耗降低方面,FWuS的表现最高可超过最佳基准机制32%。最后,我们证明了FWuS动态适应流量密度变化的能力,促进了低功耗MTC的可扩展性
2022-06-13 cs.LG eess.SP
TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic Tree-Based Memory Network
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Relativity Inc.(Relativity公司)
针对现有患者-临床试验匹配模型泛化性差、可解释性不足的问题,提出基于个性化动态树记忆网络的TREEMENT模型,通过临床本体扩展患者表征、注意力束搜索实现细粒度对齐,在真实数据集上匹配性能优于基线且具备可解释性。
2023-07-19 cs.AI cs.LG
Spatiotemporal Tile-based Attention-guided LSTMs for Traffic Video Prediction
Daimler AG(戴姆勒集团)
本文提出一种分块感知的级联记忆Conv-LSTM,结合跨帧注意力与灵活记忆训练,用于大规模交通视频预测,兼顾细粒度与粗粒度空间建模,并给出理论分析,实证表明可扩展性与预测性能俱佳。
2025-10-08 cs.CV cs.LG eess.IV
Time Series Forecasting with Stacked Long Short-Term Memory Networks
Operations Group(运营组);Toronto Transit Commission(多伦多交通委员会)
长短期记忆(LSTM)网络通常用于捕获时间依赖模式。通过堆叠多层LSTM网络,它可以捕获更复杂的模式。本文探讨了将堆叠LSTM网络应用于时间序列预测领域的有效性,特别是交通量预测。能够更准确地预测交通量可以导致更好的规划,从而大大降低运营成本,提高整体效率。
2020-11-02 cs.LG stat.ML
Memory Matching Networks for Genomic Sequence Classification
University of Virginia(弗吉尼亚大学)
在分析基因组时,研究人员发现蛋白质与DNA结合的基础是DNA序列的某些模式,称为“基序”。然而,由于其复杂性,很难手动构建基序。最近,外部学习记忆模型已被证明是有效的方法,推理的输入和支持集。在这项工作中,我们提出了记忆匹配网络(MMN)的分类DNA序列的蛋白质结合位点。我们的模型学习一个存储体的编码基序,这是动态的内存模块,然后匹配一个新的测试序列的每个基序分类的序列作为一个结合或非结合位点。
2017-02-22 cs.LG q-bio.GN stat.ML
Memory-Conditioned Flow-Matching for Stable Autoregressive PDE Rollouts
Department of Mathematics, ETH Z\"urich, Z\"urich, Switzerland
本文提出基于记忆条件的流匹配方法,通过引入紧凑在线状态提升自回归PDE求解器在长距离滚动中的稳定性与精度。
2026-02-06 cs.LG
TSNN: A Non-parametric and Interpretable Framework for Traffic Time Series Forecasting
Faculty of Applied Sciences, Macao Polytechnic University(应用科学学院,澳门理工学院);Amazon Web Services, Inc.(亚马逊网络服务公司);Macao Polytechnic University(澳门理工学院)
TSNN通过解耦时间序列提升预测精度,采用非参数方法保持模型简洁,实验显示其在四个真实交通数据集上表现优异,且能可视化解耦过程和模型可解释性。
2026-05-09 cs.LG
Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework
Shenzhen Urban Transport Planning Center Co. Ltd(深圳市城市交通规划设计研究中心股份有限公司)
如果能够准确地提供先进的出行信息和预警,可以帮助道路使用者通过动态的路线规划和行为改变来避免交通拥堵。它还使交通控制中心能够通过主动激活智能交通系统(ITS)来减轻拥堵的影响。近年来,随着创新的GPU技术、高分辨率、大数据集和蓬勃发展的机器学习算法的涌现,深度学习变得越来越受欢迎。然而,利用这一新兴技术开发交通预测应用程序的例子很少。这在很大程度上是由于难以捕获随机的,季节性的,非线性的,和时空相关的性质的交通数据。在本文中,我们提出了一种数据驱动的建模方法,采用一种新的分层D-CLSTM-t深度学习模型进行短期交通速度预测,这是一种结合卷积神经网络(CNN)和长短期记忆(LSTM)模型的框架。采用深度CNN模型来学习输入图的时空流量模式,然后将其馈送到深度LSTM模型中进行序列学习。为了捕捉流量的季节性变化,一天中的时间和一周中的一天指示符与训练特征相融合。该模型经过端到端的训练,可以预测未来15到90分钟内的行驶速度。我们将模型性能与其他基线模型进行了比较,包括CNN,LGBM,LSTM和传统的速度-流量曲线。实验结果表明,D-CLSTM-t模型的性能明显优于其他模型。模型试验表明,上游的速度也敏感地响应下游发生的突发事故。我们的D-CLSTM-t模型框架还具有高度的可扩展性,可用于未来的扩展,例如网络范围的流量预测,还可以通过添加天气,长期季节性和事故信息等其他功能来改进。
2018-09-08 cs.LG stat.ML
City-Conditioned Memory for Multi-City Traffic and Mobility Forecasting
Department of Computer Engineering, Mahanakorn University of Technology, International College (MUTIC)(计算机工程系,马汉纳克罗恩科技大学国际学院)
CityCond是一种轻量级城市条件记忆层,通过城市ID编码和共享内存银行提升多城市交通预测的准确性和适应性。
2025-11-30 cs.CY cs.LG
Mini-batch Serialization: CNN Training with Inter-layer Data Reuse
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Michigan(密歇根大学);Duke University(杜克大学)
训练卷积神经网络(CNN)需要密集的计算和高内存带宽。我们发现,今天的带宽是过度供应的,因为CNN训练中的大多数内存访问可以通过重新安排计算来消除,以更好地利用片上缓冲区,并避免由每层大内存占用造成的流量。我们引入MBS CNN训练方法,该方法通过跨层组部分串行化迷你批处理来显著减少内存流量。这优化了片内缓冲器内的重用,并平衡了层内和层间重用。我们还介绍了WaveCore CNN训练加速器,该加速器可以在MBS方法中有效地训练CNN,并具有高功能单元利用率。与传统的训练机制和加速器相比,WaveCore和MBS相结合,将DRAM流量减少了75%,性能提高了53%,并为现代深度CNN训练节省了26%的系统能源。
2019-05-04 cs.AR cs.LG
Gradient-matching coresets for continual learning
Amazon Web Services(亚马逊云科技)
我们设计了一种基于梯度匹配思想的核心集选择方法:由核心集引起的梯度应该尽可能接近地匹配原始训练数据集引起的梯度。我们在持续学习的背景下评估该方法,在那里它可以用来策划一个排练记忆。我们的方法执行强有力的竞争对手,如在一系列内存大小的水库采样。
2021-12-09 cs.LG
Road Surface Friction Prediction Using Long Short-Term Memory Neural Network Based on Historical Data
University of Washington(华盛顿大学);Nanjing University of Science and Technology(南京理工大学);Tongji University(同济大学)
路面摩擦力对交通安全和机动性有很大影响。精确的路面摩擦预测模型有助于减轻恶劣道路条件对交通安全、服务水平、交通流动性、燃油效率和持续经济生产力的影响。大多数相关的先前研究是基于实验室的方法,难以实际实施。此外,在其他数据驱动的方法中,没有考虑路面状况的时间序列特征。该研究采用长短期记忆(LSTM)神经网络开发基于历史数据的数据驱动的路面摩擦预测模型。所提出的预测模型优于其他基线模型的预测性能测量的最低值。分析了时滞个数和预测时间间隔对预测精度的影响。此外,还研究了增加路面积水厚度、路面温度和气温对预测精度的影响。研究结果可为道路维护策略的制定和决策提供支持,从而减轻恶劣路况对交通流动性和安全性的影响。未来的工作包括一个修改后的LSTM为基础的预测模型的发展,通过适应灵活的时间间隔之间的时间滞后。
2019-11-01 cs.LG eess.SP
Graph Construction with Flexible Nodes for Traffic Demand Prediction
本文针对自由浮动交通需求预测中道路网络匹配不灵活的问题,提出基于密度聚类算法HDPC-L的灵活节点图构建方法,并利用客流数据初始化GNN边权重,在深圳共享单车和海口网约车数据集上显著提升预测精度与计算效率。
2024-12-24 cs.LG
Coarse-to-Fine Memory Matching for Joint Retrieval and Classification
Harvard University(哈佛大学)
我们提出了一种新的端到端的联合检索和分类的语言模型,统一的双和交叉编码器的优势到一个单一的语言模型通过一个粗到细的记忆匹配搜索过程的学习和推理。在FEVER事实验证数据集的标准盲测试集上进行评估,分类准确率显著高于仅依赖于语言模型参数作为知识库的方法,并且接近一些最近的多模型管道系统,仅使用单个BERT基础模型与存储器层增强。我们进一步展示了如何耦合检索和分类可以利用,以确定低置信度的情况下,我们扩展样本审计,以分析和约束模型的设置。因此,我们的方法产生了一种更新语言模型的行为,通过两个不同的机制:检索到的信息可以显式更新,模型的行为可以通过范例数据库进行修改。
2020-11-29 cs.CL cs.IR 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
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
Attention-LSTM for Multivariate Traffic State Prediction on Rural Roads
Toronto Metropolitan University(多伦多城市大学);McMaster University(麦克马斯特大学);Tarbiat Modares University(塔比阿特莫达勒斯大学)
准确的交通量和速度预测在交通运输中有着广泛的应用。它可以为旅行者和交通决策者提供有用和及时的信息。在这项研究中,提出了一种基于注意力的长期记忆模型(A-LSTM),用于同时预测连接德黑兰和伊朗最具旅游目的地城市Chalus的关键农村道路分段的交通量和速度。此外,本研究将A-LSTM模型的结果与长短期记忆(LSTM)模型进行了比较。两种模型在预测速度和流量方面都表现出可接受的性能。然而,A-LSTM模型在5分钟和15分钟的时间间隔内优于LSTM。相比之下,对于30分钟的时间间隔,两种模型之间没有有意义的差异。通过比较基于不同时间范围的模型的性能,15分钟时间范围模型的性能优于其他模型,达到最低的均方误差(MSE)损失0.0032,其次是30和5分钟时间范围,分别为0.004和0.0051。此外,本研究比较了基于两种转换的时间分类输入变量,一热或循环,为15分钟的时间间隔的模型的结果。结果表明,使用循环特征编码的LSTM和A-LSTM都优于使用独热特征编码的LSTM和A-LSTM。
2023-01-06 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
Memory-Guided Trust-Region Bayesian Optimization (MG-TuRBO) for High Dimensions
UT-Battelle, LLC(UT-Battelle有限责任公司)
本文比较了遗传算法与贝叶斯优化方法在交通模拟校准中的性能,发现MG-TuRBO在高维问题中表现更优,尤其在配合自适应策略时。
2026-03-25 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
Short-Term Traffic Flow Prediction Using Variational LSTM Networks
Islamic Azad University North Tehran Branch(伊斯兰阿扎德大学北德黑兰分校);Umeå University(于默奥大学);Shahed Univerisity(沙希德大学);Bogazici University(博阿齐奇大学)
交通流特性是区域交通决策和交通管制的重要因素之一。了解交通流的预测状态在交通管理和交通信息划分中具有首要的重要性。本研究的目的是提出一个预测模型的交通流量通过使用深度学习技术的基础上的历史数据在智能交通系统领域。从加州交通绩效测量系统(PeMS)收集的2019年六个月的历史数据。建议的预测模型是一个变分长短期记忆编码器在简短的VLSTM-E试图估计流量准确地与其他传统的方法相比。VLSTM-E通过考虑分布和缺失值,可以提供更可靠的短期业务流。
2020-02-18 cs.LG cs.NE eess.SP
A Learning-Based Fast Uplink Grant for Massive IoT via Support Vector Machines and Long Short-Term Memory
Centre for Wireless Communications (CWC), University of Oulu(奥卢大学无线通信中心)
当前的随机接入(RA)分配技术在服务于大规模机器类型通信(mMTC)应用时遭受拥塞和高信令开销。为此,3GPP引入了使用快速上行链路授权(FUG)分配的需求,以减少延迟并提高具有严格QoS约束的智能物联网(IoT)应用的可靠性。本文提出了一种基于支持向量机(SVM)的FUG分配方法。首先,利用SVM分类器对MTC设备进行优先级排序。其次,LSTM架构用于流量预测和校正技术,以克服预测误差。这两个结果被用来实现一个有效的资源调度器的平均延迟和总吞吐量。一个耦合马尔可夫调制泊松过程(CMMPP)的流量模型与混合报警和定期流量的应用比较建议FUG分配其他现有的分配技术。此外,一个扩展的流量模型的基础上CMMPP是用来评估所提出的算法在一个更密集的网络。我们使用从Numenta Anomaly Benchmark(NAB)数据库收集的实时测量数据来测试所提出的方案。我们的仿真结果表明,所提出的模型优于现有的RA分配方案,通过实现最高的吞吐量和最低的接入延迟的顺序为1 ms,通过实现98 $\%$的预测精度服务时,目标的大规模和关键的MTC应用与有限数量的资源。
2021-08-02 cs.IT cs.LG cs.NI
Destination-aware Adaptive Traffic Flow Rule Aggregation in Software-Defined Networks
Technische Universität Chemnitz(开姆尼茨工业大学)
在本文中,我们提出了一个目的地感知的自适应流量规则聚合(DATA)机制,以促进基于SDN的网络中的流量监控。该方法根据其他机制(例如,用于流量工程、流量监控、入侵检测)所需的流量流信息的详细程度来适配SDN交换机中的流表条目的数量。它还通过将流表条目的数量保持在远低于临界水平来防止SDN交换机的性能下降。该水平不是预设为硬阈值,而是在操作期间通过使用基于机器学习的算法来学习。DATA方法在RESTful应用(DATA App)内实现,该RESTful应用监控和分析正在进行的网络流量,并向SDN控制器提供指令以相应地适配流量流匹配策略。在SDN仿真环境中对DATA进行了全面的性能评估。结果表明,与常见SDN控制器的默认行为相比,所提出的DATA方法可以显著提高SDN交换机的性能,同时仍能按需提供详细的流量信息。
2019-09-07 cs.LG cs.NI
Machine Learning Approaches for Traffic Volume Forecasting: A Case Study of the Moroccan Highway Network
Societe Nationale des Autoroutes du Maroc S.A(摩洛哥国家高速公路公司)
在本文中,我们的目的是说明不同的方法,我们遵循的同时,开发预测工具,在摩洛哥的公路交通。主要采用了两种方法:统计分析作为数据探索和数据争论的一个步骤。因此,为了更好地理解流量行为,进行了beta模型。接下来,我们转到了机器学习,在那里我们使用了一系列算法,如随机森林,人工神经网络,额外树等。然而,我们相信这个研究领域仍然被认为是最先进的模型,所以,我们也涵盖了长短期记忆神经网络的应用。
2017-11-18 cs.CY cs.LG
RECTor: Robust and Efficient Correlation Attack on Tor
IEEE Communications Magazine(IEEE通信杂志)
RECTor通过基于注意力的多实例学习和GRU时间编码,高效且鲁棒地处理流量相关攻击,显著提升在高噪声环境下的识别性能和可扩展性。
2025-11-29 cs.CR cs.LG cs.NI
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
Cellular Traffic Prediction and Classification: a comparative evaluation of LSTM and ARIMA
Stockholm University(斯德哥尔摩大学);Huawei(华为)
为了提高资源利用率,蜂窝网络中的用户流量预测引起了广泛的关注。在本文中,我们研究了网络流量的预测和分类问题,分别采用标准的机器学习和统计学习时间序列预测方法,包括长短期记忆(LSTM)和自回归积分移动平均(ARIMA)。我们提出了一个广泛的实验评估的设计工具在一个真正的网络流量数据集。在此分析中,我们探讨了不同参数对预测有效性的影响。我们进一步扩展我们的分析问题的网络流量分类和预测的流量突发。一方面,结果表明LSTM的性能一般优于ARIMA,特别是当训练时间序列的长度足够长时,并且通过明智选择的特征集进行增强。另一方面,结果揭示的情况下,ARIMA执行接近最优的复杂性较低。
2019-06-03 cs.LG cs.NI eess.SP