Versatile yet Efficient Network Traffic Analysis: Offloading Network Foundation Model to SmartNIC
Institute of Computing Technology, Chinese Academy of Sciences, China(中国科学院计算技术研究所);University of Chinese Academy of Sciences, China(中国科学院大学);University of Virginia, USA(弗吉尼亚大学);Beijing Institute of Technology, China(北京理工大学);Southeast University, China(东南大学);Northeastern University, China(东北大学);Haihe Lab of ITAI, China(ITAI海河实验室);Corresponding authors(通讯作者)
本文提出Nepco系统,通过将网络基础模型卸载到智能网卡,实现多功能且高效的网络流量分析,减少端到端延迟。
2026-11-13 cs.LG cs.NI
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
Revolutionizing Encrypted Traffic Classification with MH-Net: A Multi-View Heterogeneous Graph Model
Tsinghua Shenzhen International Graduate School, Tsinghua University(清华大学深圳国际研究生院);Peng Cheng Laboratory(鹏城实验室);Nanjing University of Posts and Telecommunications(南京邮电大学);Southeast University(东南大学);National University of Singapore(新加坡国立大学)
本文提出多视图异构图模型 MH-Net,通过多粒度流量单元、字节关联建模和多任务对比学习提升加密流量分类性能,并在 ISCX 与 CIC-IoT 上优于数十种 SOTA 方法。
2025-01-05 cs.AI cs.CR cs.LG
A Graph-based U-Net Model for Predicting Traffic in unseen Cities
Bielefeld University(比勒费尔德大学)
准确的交通预测是实现交通管理的关键因素,例如重新安排车辆以减少道路拥堵或通过动态限速来调节交通以保持稳定的流量。表示交通数据的一种方式是以时间变化的热图的形式可视化交通属性,例如速度和流量。在最近的工作中,U-Net模型已经显示了SOTA在热图流量预测方面的性能。我们建议将U-Net架构与图形层相结合,与Vanilla U-Net相比,它可以提高对看不见的道路网络的空间概括。特别是,我们专门现有的图形操作是敏感的地理拓扑和概括池和上采样操作适用于图形。
2022-08-29 cs.AI cs.LG
Spatial-Temporal Interactive Dynamic Graph Convolution Network for Traffic Forecasting
Tongji University(同济大学)
针对现有交通预测方法难以同步捕捉时空依赖、忽略路网节点动态关联的问题,提出含交互学习策略和动态图卷积模块的STIDGCN模型,在四个真实数据集上性能超越当前最优基线。
2022-09-26 cs.AI cs.LG
Do Time Series Foundation Model Benchmarks Hide Regime-Dependent Failures? Evidence from Traffic Speed Forecasting
University of California, Berkeley(加州大学伯克利分校);Duke University(杜克大学);National University of Singapore(新加坡国立大学);Northeastern University(东北大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Southern Methodist University(南卫理公会大学)
本文提出状态分层评估方法,发现时间序列基础模型在交通状态转换时准确率和预测区间覆盖率显著下降,并提出了双峰混合增强方法以改善转换状态覆盖。
2026-07-02 cs.LG
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning
Orange Innovation(奥兰治创新公司);Nantes University(南特大学);École Centrale Nantes(南特中央理工学院);IMT Atlantique(大西洋电信与技术学院);CNRS(法国国家科学研究中心);INRIA(法国国家信息与自动化研究所);LS2N(南特数字科学实验室);University of Luxembourg(卢森堡大学);SnT(卢森堡大学安全、可靠性和信任中心)
针对现有蜂窝流量图预测方法未考虑基站动态变化的问题,本研究提出FLEXIBLE归纳式图学习方案与泛化GNN预测模型,支持一次训练适配多图且易迁移,较SOTA最高提升9.8%,小样本场景优势显著。
2024-05-14 cs.AI cs.LG cs.NI
CGNN: Traffic Classification with Graph Neural Network
Harbin Institute of Technology(哈尔滨工业大学);National University of Defense Technology(国防科技大学)
流量分类将数据包流与已知的应用标签相关联,这对于网络安全和网络管理至关重要。随着NAT、端口动态和加密流量的兴起,获取统一的流量特征以进行准确分类越来越具有挑战性。许多最先进的流量分类器基于深度学习模型(例如卷积网络)自动从数据包流中提取特征。不幸的是,在这些深度学习模型中没有很好地提取数据包之间的组成和因果关系,这影响了不同流量类型的预测精度和泛化。在本文中,我们提出了一个链式图模型的数据包流,以保持链式组成序列。接下来,我们提出了CGNN,一个基于图神经网络的流量分类方法,它建立了一个图分类器自动提取的特征链图。对正常、加密和恶意流量数据集的广泛评估表明,CGNN对应用分类的预测准确率提高了23%~ 29%,对恶意流量分类的预测准确率提高了2%~ 37%,对加密流量分类的预测准确率达到了相同的水平。CGNN在查全率和查准率指标方面非常强大。我们已经广泛地评估了CGNN的参数敏感性,这产生了优化的参数,是非常有效的流量分类。
2021-10-19 cs.AI cs.LG
Graph Neural Network for Traffic Forecasting: A Survey
Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
交通预测是智能交通系统成功的关键。深度学习模型,包括卷积神经网络和递归神经网络,已被广泛应用于交通预测问题中,以对空间和时间依赖性进行建模。近年来,为了对交通系统中的图结构以及上下文信息进行建模,已经引入了图神经网络,并且在一系列交通预测问题中取得了最先进的性能。在本调查中,我们回顾了使用不同图神经网络(例如图卷积和图注意力网络)在各种交通预测问题(例如道路交通流量和速度预测、城市轨道交通系统中的客流预测以及乘车平台中的需求预测)中快速增长的研究主体。我们还为每个问题提供了一个全面的开放数据和源资源列表,并确定了未来的研究方向。据我们所知,本文是第一个全面的调查,探讨应用图神经网络的交通预测问题。我们还创建了一个公共GitHub存储库,其中将更新最新的论文,开放数据和源资源。
2022-02-22 cs.AI 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
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph
Shanghai Jiao Tong University(上海交通大学);Arizona State University(亚利桑那州立大学)
本文提出FDTI,一种基于路网增强图的细粒度深度交通推断方法,通过构建细粒度交通图、动态移动卷积和流量守恒,实现城市级1分钟间隔的交通预测,达到最先进性能。
2023-06-19 cs.AI cs.LG
Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting
Yale University(耶鲁大学)
基于图的交通流预测在交通系统、计算机网络等领域有着广泛的应用。由于复杂的时空相关性和非线性的交通模式,交通预测具有很大的挑战性。现有的工作大多是通过考虑空间相关性和时间相关性分别建模这种时空依赖性,而不能建模的直接时空相关性。受最近在图域中成功的Transformers的启发,在本文中,我们提出了直接使用本地多头自注意力的时空图上的跨时空相关性建模。为了降低时间复杂度,我们将注意力感受野设置为空间相邻的节点,并且我们还引入了自适应图来捕获隐藏的时空依赖性。基于这些注意力机制,我们提出了一种新的自适应图时空Transformer网络(ASTTN),它堆叠多个时空注意力层,以应用自注意力的输入图,其次是线性层的预测。在公共交通网络数据集METR-LA PEMS-BAY、PeMSD 4和PeMSD 7上的实验结果表明了该模型的优越性能。
2022-07-09 cs.AI cs.LG
Dynamic Frequency Domain Graph Convolutional Network for Traffic Forecasting
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Academy of Cyber(网络研究院)
针对交通预测中数据驱动空间依赖建模受时移和噪声干扰的问题,提出动态频域图卷积网络DFDGCN,结合傅里叶变换、多类图与因果卷积,在四个真实数据集上表现优于基准模型。
2023-12-19 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
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
Learning Universal Human Mobility Patterns with a Foundation Model for Cross-domain Data Fusion
Department of Civil and Environmental Engineering, University of California, Los Angeles(加州大学洛杉矶分校土木与环境工程系);Novateur Research Solutions(Novateur研究解决方案);Department of Civil and Environmental Engineering, University of California, Berkeley(加州大学伯克利分校土木与环境工程系)
本文提出一个基于大语言模型和跨域数据融合的基础模型框架,通过整合多模态数据构建隐私保护的语义丰富轨迹数据集,并在洛杉矶和埃及验证其可迁移性,在I-405走廊交通仿真中实现交通量误差5.85%、速度误差4.36%的高精度。
2025-07-17 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
Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting
Peking University(北京大学)
交通流的时空数据预测是一个具有挑战性的任务,因为不同道路之间的复杂的空间依赖性和动态的时间模式的趋势。现有的框架通常利用给定的空间邻接图和复杂的机制来建模空间和时间的相关性。然而,有限的表示给定的空间图结构与不完整的相邻连接可能会限制有效的时空依赖学习这些模型。为了克服这些局限性,本文提出了时空融合图神经网络(STFGNN)的交通流预测。SFTGNN可以有效地学习隐藏的时空依赖性,通过一种新的融合操作的各种空间和时间的图形,这是由数据驱动的方法产生的。同时,通过将该融合图模块和一种新的门控卷积模块集成到一个统一的层中,SFTGNN可以处理长序列。在几个公共交通数据集上的实验结果表明,我们的方法比其他基线一致地实现了最先进的性能。
2021-03-06 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
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
STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction
Soochow University(苏州大学);UNC 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)
本文针对交通预测领域时空图神经网络缺乏系统综述与公平基准的问题,梳理了相关算法与模型优缺点,构建了STG4Traffic标准化基准并指明未来研究方向。
2024-06-18 cs.AI cs.LG
Reinforcement Learning-Guided Dynamic Multi-Graph Fusion for Evacuation Traffic Prediction
Department of Civil, Environmental and Construction Engineering, University of Central Florida(土木、环境与建设工程系,中央佛罗里达大学)
本文提出强化学习引导的动态多图融合框架,用于提高疏散交通预测的准确性和可解释性。
2026-01-10 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
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
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
Open-TransMind: A New Baseline and Benchmark for 1st Foundation Model Challenge of Intelligent Transportation
Baidu Inc.(百度公司)
本文介绍智能交通首届基础模型挑战赛及其两赛道设置,并提出开源多任务多模态交通基础模型 Open-TransMind,作为新基线与基准,在多类交通任务上达到先进性能。
2023-06-07 cs.AI cs.CV 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
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
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
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
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
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
Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model
Jilin University(吉林大学);Loughborough University(拉夫堡大学);Tongji University(同济大学)
准确的交通状态预测为车-环境协调和交通控制任务提供了坚实的基础。由于道路网络数据在空间分布上的复杂性和深度学习方法的多样性,有效定义交通数据并充分捕捉数据中复杂的空间非线性特征变得具有挑战性。本文将两种层次图池方法应用于流量预测任务,以减少图信息冗余。首先,本文验证了层次图池方法在流量预测任务中的有效性。分层图池化方法与其他基线的预测性能进行了对比。其次,分析了两种主流的层次图池化方法:节点聚类池化和节点丢弃池化在流量预测中的优缺点。最后,针对上述图神经网络,本文比较了不同图网络输入对流量预测精度的预测效果。分析和总结了定义图网络的有效方法。
2022-09-08 cs.LG cs.SI physics.soc-ph
Traffic4cast 2020 -- Graph Ensemble Net and the Importance of Feature And Loss Function Design for Traffic Prediction
本文详细介绍了我们的解决方案,以mixic 4cast 2020。类似于2019年的Ammic 4cast,Ammic 4cast 2020挑战其参赛者开发可以预测大城市未来交通状态的算法。我们的团队在两个方面应对了这一挑战。我们研究了特征和损失函数设计的重要性,并从去年开始对性能最佳的U-Net解决方案进行了重大改进。我们还探索了图神经网络的使用,并引入了一种新的集成GNN架构,该架构优于去年的GNN解决方案。虽然我们的GNN有所改善,但仍无法与U-Net的表现相媲美,并讨论了这种不足的潜在原因。我们的最终解决方案,即我们的U-Net和GNN的集成,在2020年的EQUIPIC 4CAST中获得了第四名。
2020-12-03 cs.LG
How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Macau(澳门大学)
近年来,已经提出了各种深度学习架构来解决交通领域的复杂挑战(例如空间依赖性,时间依赖性),并取得了令人满意的性能。这些架构由多种深度学习技术组成,以应对交通任务中的各种挑战。传统上,卷积神经网络(CNN)被用来通过将交通网络分解为网格来建模空间依赖性。然而,许多交通网络本质上是图结构的。为了充分利用这些空间信息,将交通网络用数学图形表示更为合适。最近,已经开发了各种新颖的深度学习技术来处理图形数据,称为图形神经网络(GNN)。越来越多的工作将GNN与其他深度学习技术相结合,构建了一个处理复杂交通任务中各种挑战的架构,其中GNN负责提取交通网络中的空间相关性。这些基于图的架构已经实现了最先进的性能。为了全面清晰地了解这一新兴趋势,本调查仔细研究了许多交通应用中各种基于图的深度学习架构。我们首先给出了基于图的交通问题的指导方针,并从各种交通数据集构造图。然后,我们分解这些基于图的架构,讨论它们共享的深度学习技术,阐明每种技术在流量任务中的应用。更重要的是,我们总结了一些常见的流量挑战以及针对每个挑战的相应的基于图的深度学习解决方案。最后,我们提供了基准数据集,开源代码和未来的研究方向在这个快速增长的领域。
2020-10-11 cs.LG eess.SP
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
MA2GCN: Multi Adjacency relationship Attention Graph Convolutional Networks for Traffic Prediction using Trajectory data
Northeastern University, China(东北大学)
本文提出MA2GCN模型,将车辆轨迹数据转化为网格图结构,结合车辆进出矩阵、自适应邻接矩阵与注意力模块,利用门控时间卷积和图卷积提取时空信息,在上海出租车GPS轨迹数据集上取得最优交通拥堵预测性能。
2024-01-18 cs.AI 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
Dynamic Graph Convolutional Network with Attention Fusion for Traffic Flow Prediction
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)
本文提出一种结合动态图学习器、GRU和时空注意力模块的动态图卷积网络,用于交通流预测,在四个真实数据集上超越18种基线方法。
2023-09-06 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
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
Graph Markov Network for Traffic Forecasting with Missing Data
University of Washington(华盛顿大学);Beihang University(北京航空航天大学)
交通预测是交通管理的一项经典任务,在智能交通系统中起着重要的作用。然而,由于交通数据主要由交通传感器或探测车辆收集,传感器故障和探测车辆的缺乏将不可避免地导致在交通网络中的某些特定链路的收集的原始数据中的缺失值。虽然缺失值可以插补,现有的数据插补方法通常需要长期的历史交通状态数据。对于短期流量预测,特别是在边缘计算和在线预测场景下,需要具有处理缺失值能力的流量预测模型。在这项研究中,我们认为交通网络作为一个图形和定义之间的过渡网络范围内的交通状态在连续的时间步长作为一个图形马尔可夫过程。通过这种方式,可以逐步推断出缺失的交通状态,并可以合并道路链路之间的时空关系。基于图马尔可夫过程,提出了一种新的时空数据预测神经网络结构,即图马尔可夫网络(GMN)。通过引入谱图卷积运算,我们还提出了一种谱图马尔可夫网络(SGMN)。所提出的模型与基线模型进行了比较,并在三个真实世界的交通状态数据集与各种缺失率进行了测试。实验结果表明,所提出的GMN和SGMN可以实现优越的预测性能,在准确性和效率。此外,所提出的模型的参数,权重和预测结果进行了全面的分析和可视化。
2019-12-10 cs.LG eess.SP
Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting
Tsinghua University(清华大学);DiDi AI Labs(滴滴AI实验室)
交通预测影响着智能交通系统(ITS)的各项服务,对用户体验和城市交通控制具有重要意义。由于道路网络包含复杂且随时间变化的时空依赖性,因此具有挑战性。最近,基于深度学习的方法通过采用图卷积网络(GCN)来提取空间相关性和递归神经网络(RNN)来捕获时间依赖性,取得了有希望的结果。然而,现有的方法往往只建立在道路网络连通性的基础上,这限制了道路之间的相互作用。在这项工作中,我们提出了地理和长期时间图卷积递归神经网络(GLT-GCRNN),这是一种新的交通预测框架,可以学习共享相似地理或长期时间模式的道路之间的丰富交互。在真实世界的交通状态数据集上进行的大量实验表明,GLT-GCRNN在不同指标方面优于最先进的方法,从而验证了我们方法的有效性。
2020-04-23 cs.AI cs.LG eess.SP
Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Lawrence Berkeley National Laboratory(劳伦斯伯克利国家实验室)
针对智能交通系统中的交通预测问题,提出基于注意力的图神经常微分方程模型ASTGODE,可显式学习交通系统动力学、聚合多时段交通模式,在两个真实数据集上的均方根误差精度优于现有GNN模型。
2023-05-01 cs.LG
Incorporating Reachability Knowledge into a Multi-Spatial Graph Convolution Based Seq2Seq Model for Traffic Forecasting
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);University of Macau(澳门大学)
准确的交通状态预测是交通控制和诱导的基础。由于交通数据具有复杂的时空相关性,因此具有很大的挑战性。现有的工作不能很好地执行多步交通预测,涉及未来很长的时间段。当输入步和预测步之间的时间间隔较大时,尤其是当交通数据不充分或有噪声时,时空信息稀释变得严重。为了解决这个问题,我们提出了一种基于多空间图卷积的Seq 2Seq模型。本文的创新点主要体现在三个方面:(1)通过融合多视角特征(时间、位置和交通状态)丰富模型输入的时空信息;(2)基于先验知识和数据驱动知识构建多种空间相关性,以提高模型在数据不足或噪声情况下的性能。(3)设计了一种基于可达性知识的时空注意力机制,产生高层特征,直接输入Seq 2Seq的解码器,以减轻信息稀释。我们的模型在两个真实世界的流量数据集上进行了评估,并取得了比其他竞争对手更好的性能。
2021-08-16 cs.AI cs.LG
Spatiotemporal Graph Transformer for Traffic Intelligence in Edge Computing
School of Computing and Artificial Intelligence, Southwest Jiaotong University(西南交通大学计算与人工智能学院);SWJTU-Leeds Joint School, Southwest Jiaotong University(西南交通大学-利兹学院);State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(北京邮电大学网络与交换技术国家重点实验室)
该研究针对边缘计算中流量预测的非平稳长程建模难题,提出时空图Transformer框架,经真实蜂窝网络数据集验证,其性能优于GCN-RNN等基线模型,可支撑主动资源管理。
2026-08-06 cs.AI cs.LG
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
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
Global-Aware Enhanced Spatial-Temporal Graph Recurrent Networks: A New Framework For Traffic Flow Prediction
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)
针对交通流预测中循环网络难以捕获全局信息及固定图结构假设的局限,提出包含时空图循环网络与全局感知层的GA-STGRN框架,集成序列感知图神经网络与全局时空类Transformer架构,在四个真实数据集上验证了其优越性。
2024-01-07 cs.AI cs.LG
Teger: Spatiotemporal Covariance for Probabilistic Traffic Forecasting
ETRO Department, Vrije Universiteit Brussel(瓦隆联合大学布鲁塞尔分校ETRO系);imec
本文提出Teger模块,通过空间曲率感知的图重排机制改进误差相关的自回归预测,提升时空预测的连续排名概率得分。
2026-10-05 cs.AI cs.LG
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution
National University of Defense Technology(国防科技大学)
交通预测是智能交通系统的基石。准确的交通预测对于智慧城市的应用至关重要,即,智能交通管理和城市规划。虽然提出了各种时空建模方法,但它们忽略了道路网络上位置之间相关性的动态特性。同时,大多数基于递归神经网络(RNN)的作品由于其递归操作而效率不够。此外,在相同数据集上的不同方法之间严重缺乏公平的比较。为了解决上述挑战,在本文中,我们提出了一种新的流量预测框架,命名为动态图卷积递归网络(DGCRN)。在DGCRN中,超网络被设计为利用和提取节点属性的动态特征,而动态过滤器的参数在每个时间步生成。我们过滤节点嵌入,然后使用它们来生成动态图,该动态图与预定义的静态图集成。据我们所知,我们是第一个采用生成方法来建模动态图的精细拓扑结构在每个时间步。此外,为了提高效率和性能,我们采用了DGCRN的训练策略,通过限制解码器在前向和后向传播过程中的迭代次数。最后,一个可重复的标准化基准和一个全新的代表性的交通数据集开放的公平比较和进一步的研究。在三个数据集上的大量实验表明,我们的模型始终优于15个基线。
2021-05-03 cs.AI cs.LG
Multi-Grained Temporal-Spatial Graph Learning for Stable Traffic Flow Forecasting
Department of Computing, The Hong Kong Polytechnic University(计算学系,香港理工大学)
针对现有方法难以捕捉全局时空模式且易过拟合的问题,提出多粒度时空图学习框架,融合全局与局部模式,提升交通流预测的稳定性和准确性。
2025-07-25 cs.AI cs.LG
IBB Traffic Graph Data: Benchmarking and Road Traffic Prediction Model
Istanbul Technical University(伊斯坦布尔技术大学);ITU AI Research and Application Center(ITU人工智能研究与应用中心);BTS Group(BTS集团);Gazi University(加齐大学)
本文提出IBB Traffic图数据集以弥补现有交通数据集在地理特征和规模上的不足,并设计结合特征工程、GLEE节点嵌入和ExtraTrees的道路交通预测模型,平均准确率较基线提升4%。
2024-08-02 cs.AI cs.IT 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