A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism
Wuhan University of Technology(武汉理工大学);Delft University of Technology(代尔夫特理工大学)
短时交通流预测是智能交通系统(ITS)的一个重要分支,在交通管理中起着重要的作用。图卷积网络(GCN)被广泛应用于交通预测模型中,以更好地处理道路网络的图形结构数据。然而,在现实生活中,不同路段之间的影响权重往往是不同的,很难人工分析。传统的GCN机制依赖于人工设置邻接矩阵,无法在训练过程中动态学习这种空间模式。针对这一缺陷,提出了一种新的位置图卷积网络(Location-GCN)。位置GCN通过在GCN机制中添加一个新的可学习矩阵来解决这个问题,使用这个矩阵的绝对值来表示不同节点之间的不同影响水平。然后,长短期记忆(LSTM)的流量预测模型中使用。此外,三角函数编码是在这项研究中,使短期的输入序列传达长期的周期性信息。最后,该模型与基线模型进行了比较,并在两个真实的世界交通流数据集上进行了评估。结果表明,我们的模型是更准确和更强大的两个数据集上比其他代表性的交通预测模型。
2022-05-10 cs.LG
A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources
Carnegie Mellon University(卡内基梅隆大学)
应用深度学习模型来实时的预测街区级停车占用率。该模型利用图-卷积神经网络(GCNN)提取大规模网络中交通流的空间关系,利用具有长短期记忆(LSTM)的递归神经网络(RNN)提取时间特征。此外,该模型能够将多个异构结构的交通数据源作为输入,例如停车计时器交易、交通速度和天气状况。通过匹兹堡市中心的案例研究,模型的性能进行了评估。在提前30分钟预测街区级停车占用率时,该模型的平均测试MAPE为10.6%,优于多层LSTM和Lasso等其他基线方法。案例研究还表明,在一般情况下,预测模型的工作更好地为商业区比休闲场所。我们发现,将交通速度和天气信息可以显着提高预测性能。天气数据对于提高娱乐区的预测准确性特别有用。
2019-05-11 cs.LG stat.ML
A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts
South Carolina State University(南卡罗来纳州立大学);North Carolina A&T State University(北卡罗来纳州A&T州立大学)
本研究提出了一种机器学习框架,用于确定最佳日期进行短期交通计数,以提高AADT预测精度,减少数据收集成本。
2025-12-05 cs.LG
A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting
Singapore University of Technology and Design(新加坡科技设计大学);Nanyang Technological University(南洋理工大学)
针对交通流日周期间峰值慢漂移导致的非平稳性预测难题,提出结合经验模态分解与长短期记忆网络的机器学习方法,在真实数据基准上较现有最优方法均方根误差降低14.55%、平均绝对百分比误差降低62.56%。
2023-03-31 cs.LG
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction
交通问题已经严重影响到人们的生活质量和城市的发展,预测短期交通拥堵对个人和政府都具有重要意义。然而,理解和建模的交通状况可能是非常困难的,我们从实际的交通数据的观察表明,(1)类似的交通拥堵模式存在于相邻的时隙和连续的工作日;(2)交通拥堵的水平有明显的多尺度属性。为了捕捉这些特征,我们提出了一种基于深度卷积神经网络的PCNN方法,对周期性交通数据进行建模,用于短期交通拥堵预测。PCNN有两个关键过程:时间序列折叠和多粒度学习。它首先在时间上折叠的时间序列,并构造一个二维矩阵作为网络的输入,这样的实时交通状况和过去的交通模式都得到了很好的考虑,然后通过一系列的卷积输入矩阵,它是能够模拟本地的时间依赖性和多尺度的交通模式。具体而言,可以在宏观尺度上解决拥塞的全球趋势;而可以在微观尺度上捕获拥塞的更多细节和变化。在真实城市交通数据集上的实验结果证实,将时间序列数据折叠成二维矩阵是有效的,PCNN在短期拥堵预测任务中的性能明显优于基线。
2020-03-16 cs.LG eess.SP
Scalable Learning With a Structural Recurrent Neural Network for Short-Term Traffic Prediction
Sevendof AS(塞文多夫公司);University of Sheffield(谢菲尔德大学)
本文提出了一种可扩展的深度学习方法,用于基于车辆道路网络中的历史交通数据的短期交通预测。捕获大数据的时空关系通常需要大量的计算负担或针对特定类型的道路网络的ad-hoc设计。为了解决这个问题,我们将道路网络图与递归神经网络(RNN)相结合,构建了结构化RNN(SRNN)。SRNN采用时空图来推断相邻路段之间的相互作用以及时间序列数据的时间动态。由于两个关键方面,该模型是可扩展的。首先,建议SRNN架构是通过使用所有段的时空动态交互的语义相似性。其次,我们设计的架构,以处理固定长度的张量,而不管图的拓扑结构。在桑坦德市测量的实际交通速度数据,我们证明了所提出的SRNN优于基于图像的方法,使用胶囊网络(CapsNet)的14.1%和卷积神经网络(CNN)的5.87%,分别在均方根误差(RMSE)。此外,我们表明,该模型是可扩展的。用路网数据训练的SRNN模型能够预测不同路网的交通速度,训练的参数是固定的。
2021-03-03 cs.LG
A Block Regression Model for Short-Term Mobile Traffic Forecasting
Tsinghua University(清华大学)
准确的移动流量预测对于有效的网络规划和运营至关重要。然而,现有的交通预测模型具有很高的复杂性,使得预测过程缓慢且成本高。本文分析了移动业务的周期性、空间相似性和短期相关性等特性。基于这些特点,我们提出了一个\emph{Block Regression}({BR})模型的移动业务预测。该模型采用季节性差异,以考虑到移动业务的时间重复性。我们的{BR}模型的关键特征之一在于其低复杂性,因为它为所有基站构建了单个模型。我们评估的准确性{BR}模型的基础上,实际的交通数据,并与现有的模型进行比较。结果表明,我们的{BR}模型提供了相同的准确性,现有的模型,但具有更低的复杂性。
2015-11-17 cs.LG cs.NI
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 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
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
Using Models Based on Cognitive Theory to Predict Human Behavior in Traffic: A Case Study
Delft University of Technology(代尔夫特理工大学);Leeds University(利兹大学)
针对自动驾驶汽车行为预测需求,本文验证了融合认知理论的Commotions模型在交通间隙接受场景的预测效果,发现其性能可比肩甚至优于成熟数据驱动模型,展现了该方向的应用潜力。
2023-10-09 cs.AI cs.LG
See the Near Future: A Short-Term Predictive Methodology to Traffic Load in ITS
Xidian University(西安电子科技大学);Beijing Jiaotong University(北京交通大学);Deakin University(迪肯大学)
智能交通系统(ITS)的目标是通过应用先进的无线通信技术进行道路交通调度,实现协调的交通系统。为了实现准确的道路交通控制,短期交通预测往往是有用的和重要的,在特定的地点在短时间内预测的道路交通。在现有的研究中,季节性自回归积分移动平均(SARIMA)模型是一种比较流行的方法。然而,该方案面临两个挑战:1)对相关数据的分析不足,而数据的一些重要特征可能被忽略; 2)由于数据呈现不同的特征,因此不太可能有一个预测模型可以适用于所有情况。为了解决上述问题,在这项工作中,我们开发了一个混合模型,以提高精度的SARIMA。具体而言,我们首先探讨交通流的自相关性和分布特性,以修正时间序列模型的结构。基于交通流的高斯分布,提出了一种结合贝叶斯学习算法的混合模型,有效地扩展了SARIMA的应用场景。我们使用分析和实验研究表明,我们的建议的效率和准确性。使用真实世界的跟踪数据,我们表明,所提出的预测方法可以在实践中取得令人满意的性能。
2017-01-08 cs.LG stat.AP
Short-term traffic prediction using physics-aware neural networks
Chalmers University of Technology(查尔姆斯理工大学);University of Gothenburg(哥德堡大学)
本文提出一种物理感知循环神经网络算法,将宏观交通流模型嵌入网络架构,结合LSTM与简单RNN估计时空交通参数,实现基于环形检测器原始数据的短期车流量预测,并对输入进行物理约束平滑。
2021-09-21 cs.LG eess.SP
Accurate non-stationary short-term traffic flow prediction method
China Agricultural University(中国农业大学)
准确及时的交通流预测在智能交通系统的发展中起着至关重要的作用,近几十年来受到了广泛的关注。尽管深度学习在这一领域取得了重大进展,但挑战依然存在。交通流通常在短时间内发生剧烈变化,这使得现有方法无法准确捕捉未来趋势,并可能导致过拟合问题,导致精度不高。为此,提出了一种基于长短期记忆(LSTM)的交通流预测方法,该方法能够准确预测短期交通流,避免了训练过程中的局部最优问题。具体来说,我们不是直接使用非平稳的原始流量数据,而是首先将它们分解为子分量,其中每个子分量的噪声都小于原始输入。然后,样本熵(SE)合并相似的组件,以减少计算成本。合并后的特征被输入到LSTM中,然后我们引入一个时空模块来考虑重组信号中的相邻关系,以避免强自相关。在训练过程中,我们利用灰狼算法(GWO)优化LSTM的参数,克服了过拟合问题。我们在英国公共公路交通流数据集上进行了实验,结果表明,该方法与其他最先进的方法相比,在极端离群值、延迟效应和趋势变化响应方面具有更好的自适应性能。
2022-05-01 cs.LG cs.RO
Bias in the Shadows: Explore Shortcuts in Encrypted Network Traffic Classification
Department of Computer Science and Technology, Tsinghua University(计算机科学与技术系,清华大学)
本文提出BiasSeeker,一种半自动化的框架,用于检测加密网络流量分类中的数据集特定捷径特征,通过统计相关性分析和类别特定验证策略减少偏差,提升模型泛化能力。
2026-01-15 cs.LG cs.NI
Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting
针对现有交通预测方法难以全局捕捉节点特定模式、无法同时建模长短时依赖的问题,提出融合节点特定元模式学习与节点注意力权重生成模块的MAGCRN模型,在6个真实数据集上的长短时预测性能均优于SOTA基线。
2023-08-28 cs.LG
Scalable Deep Traffic Flow Neural Networks for Urban Traffic Congestion Prediction
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
跟踪整个网络道路的拥塞是智能交通网络管理系统的关键组成部分。了解交通流量和短期预测的拥堵发生,由于高峰时间或事件可以是有益的,这样的系统,以有效地管理和引导交通到最合适的绕道。许多当前的交通流预测系统是通过利用中央处理部件来设计的,其中通过聚集从所有测量站收集的信息来执行预测。然而,集中式系统是不可扩展的,并且不能向系统提供实时反馈,而在分散式方案中,每个节点负责基于相邻节点中的本地电流测量来预测其自身的短期拥塞。我们提出了一种基于分散式深度学习的方法,其中每个节点根据相邻站点的拥塞状态实时准确地预测自己的拥塞状态。此外,不需要来自部署地点的历史数据,这使得所提出的方法更适合于新安装的站。为了达到更高的性能,我们引入了一个正则化的欧几里德损失函数,有利于高拥塞样本比低拥塞样本,以避免不平衡的训练数据集的影响。为此目的的一种新的数据集设计的基础上从交通控制站在加利福尼亚州北部的交通数据。在所设计的基准上进行的大量实验反映了成功的拥塞预测。
2017-03-03 cs.LG
Hybrid hidden Markov LSTM for short-term traffic flow prediction
The Pennsylvania State University(宾夕法尼亚州立大学)
本文针对短期交通流量预测,结合 HMM 的状态机制识别能力与 LSTM 的长期时序建模能力,提出混合 hidden Markov-LSTM,显著优于 Markov switching ARIMA 和 LSTM。
2023-07-17 cs.LG stat.ML
Improving Route Choice Models by Incorporating Contextual Factors via Knowledge Distillation
Louisiana State University(路易斯安那州立大学)
路径选择模型预测穿越城市区域的旅行者的路径选择。大多数路径选择模型将替代路径的路径特征与驾驶员选择的路径特征相关联。该模型在预测不同路线上的交通水平方面发挥着重要作用,从而有助于制定有效的交通管理策略,从而最大限度地减少交通延误,最大限度地提高交通系统的有效利用率。高保真度的路径选择模型需要更高的准确度来预测交通水平。现有的路线选择模型不考虑动态的上下文条件,如事故的发生,司机的社会文化和经济背景,其他人类行为,动态的个人风险水平等,因此,他们只能在一个聚合的水平和一组固定的上下文因素进行预测。为了更高的保真度,非常希望使用捕获路线选择中的主观或背景因素的重要性的模型。本文提出了一种新的方法来开发高保真的路线选择模型,增加预测能力,通过增加现有的聚合水平基线模型与信息的驱动程序的响应上下文因素,通过使用知识蒸馏在沉浸式虚拟环境中进行的陈述选择实验。
2019-03-27 cs.AI cs.LG stat.ML
Handling Weather Uncertainty in Air Traffic Prediction through an Inverse Approach
University of Rome "La Sapienza"(罗马大学(智慧大学));University of Milano-Bicocca(米兰-比可卡大学);Nanyang Technological University(南洋理工大学)
本文提出三维高斯混合模型,融合天气与交通数据预测最长60分钟的飞行改航轨迹,误差低于0.02,并结合可解释性方法改进空中交通管理。
2025-04-07 cs.LG
Incorporating Domain Differential Equations into Graph Convolutional Networks to Lower Generalization Discrepancy
Lehigh University(理海大学);Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本文提出将领域微分方程融入图卷积网络以解决时空预测中的领域泛化问题,设计RDGCN和SIRGCN两个模型,理论推导并实验验证了其在训练与测试数据不匹配时比现有方法更鲁棒。
2024-04-01 cs.AI cs.LG
Deep Bidirectional and Unidirectional LSTM Recurrent Neural Network for Network-wide Traffic Speed Prediction
University of Washington(华盛顿大学)
近年来,基于深度学习方法,特别是长短期记忆(LSTM)神经网络的短期流量预测备受关注。然而,深度学习方法在交通预测中的潜力在模型架构的深度、预测区域的空间尺度以及时空数据的预测能力方面尚未得到充分挖掘。本文提出了一种深度堆叠的双向和单向LSTM(SBU-LSTM)神经网络架构,该架构考虑了时间序列数据中的前向和后向依赖性,以预测网络范围内的流量速度。双向LSTM(BDLSM)层用于从历史数据中捕获空间特征和双向时间依赖性。据我们所知,这是BDLSTM第一次被用作深度架构模型的构建块,以测量预测流量数据的向后依赖性。提出的模型可以通过使用掩蔽机制来处理输入数据中的缺失值。此外,这个可扩展的模型可以预测高速公路和复杂的城市交通网络的交通速度。与其他经典和最先进的模型的比较表明,所提出的SBU-LSTM神经网络实现了优越的预测性能,为整个交通网络的准确性和鲁棒性。
2019-11-23 cs.LG
A Dynamic Temporal Self-attention Graph Convolutional Network for Traffic Prediction
实时的准确的交通预测在智能交通系统(ITS)和出行导航诱导中起着重要的作用。已经有许多尝试来预测短期交通状态,其考虑交通信息的空间和时间依赖性,诸如时间图卷积网络(T-GCN)模型和卷积长短期记忆(Conv-LSTM)模型。然而,现有的方法大多采用简单的0和1组成的邻接矩阵来捕捉空间依赖性,不能细致地描述城市道路网络拓扑结构及其随时间的动态变化规律。为了解决这一问题,提出了一种动态时间自注意力图卷积网络(DT-SGN)模型,该模型将相邻矩阵作为可训练的注意力得分矩阵,并根据不同的输入自适应调整网络参数。特别地,自注意力图卷积网络(SGN)被选择来捕获空间依赖性,并且动态门控递归单元(Dynamic-GRU)被选择来捕获时间依赖性并且学习输入数据的动态变化。实验表明,我们的方法优于国家的最先进的模型驱动模型和数据驱动模型在现实世界的交通数据集。
2023-02-21 cs.LG
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
Short-Term Traffic Forecasting Using High-Resolution Traffic Data
New York University Abu Dhabi(纽约大学阿布扎比分校);New York University(纽约大学)
本文开发了一个数据驱动的工具包,用于使用高分辨率(a.k.a.基于事件的)交通数据。这是从城市道路中的固定传感器获得的原始数据。这种原始数据的时间序列从一个时间步到下一个时间步(通常在0.1-1秒的量级上)表现出严重的波动。交通状况的短期预测(未来10-30秒)对于交通运营应用(例如,自适应信号控制)。但是文献中的交通预测工具主要处理3-5分钟的聚合数据,其中典型的信号周期为2分钟的量级。这使得这种预测在业务一级毫无用处。为此,我们将流量预测问题建模为矩阵完成问题,其中预测输入使用内核映射到高维空间。该公式使我们能够捕获预测输入和输出之间的非线性依赖关系,也使我们能够捕获输入之间的依赖关系。这些依赖性对应于网络中不同位置之间的相关性。我们进一步采用自适应提升来提高训练准确性并捕获数据中的历史模式。所提出的方法的性能进行了验证,使用高分辨率的数据从现实世界中的交通网络在阿布扎比,阿联酋。我们的实验结果表明,该方法优于其他国家的最先进的算法。
2020-06-22 cs.LG eess.SP math.OC
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
End-to-End Heterogeneous Graph Neural Networks for Traffic Assignment
University of Illinois, Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文提出一种端到端异构图神经网络代理模型,通过自适应图注意力机制、虚拟链路与流量守恒损失函数求解用户均衡交通分配问题,在精度与泛化性上优于传统方法。
2024-10-16 cs.LG
Multi-Service Mobile Traffic Forecasting via Convolutional Long Short-Term Memories
University of Edinburgh(爱丁堡大学);CNR-IEIIT(意大利国家研究委员会电子、信息与电信工程研究所)
网络切片越来越多地用于在不同的移动服务之间划分网络基础设施。在这种情况下,精确的服务移动流量预测变得至关重要,因为移动运营商寻求提前向每个切片预分配资源,以满足各个服务的不同要求。本文使用序列到序列(S2 S)学习范式和卷积长短期记忆(ConvLSTM)来解决多业务移动流量预测问题。所提出的架构的设计,以便有效地提取复杂的时空特征的移动网络流量和高精度预测未来的需求,在城市规模的个人服务。我们在一个欧洲大都市收集的移动流量数据集上进行了实验,证明了所提出的S2 S-ConvLSTM可以预测数十种不同服务在一个小时之前产生的移动流量,只需使用过去一个小时内进行的测量。特别是,我们的解决方案在天线级实现了低于13 KBps的平均绝对误差(MAE),比其他深度学习方法高出31.2%。
2019-05-23 cs.LG cs.NI eess.SP
Understanding Dynamic Spatio-Temporal Contexts in Long Short-Term Memory for Road Traffic Speed Prediction
Yonsei University(延世大学)
本研究提出一种动态局部化长短期记忆模型,结合空间与时间依赖及动态权重矩阵,提升道路交通速度预测性能,优于两种基线方法。
2023-06-17 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
Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment
TECNALIA, Basque Research and Technology Alliance (BRTA)(TECNALIA,巴斯克研究与技术联盟(BRTA));University of the Basque Country (UPV/EHU)(巴斯克大学(UPV/EHU));National Technical University of Athens (NTUA)(雅典国立技术大学(NTUA))
在短期交通预测中,目标是准确地预测在查询预测之后不久发生的感兴趣的交通参数的未来值。在这一长期研究领域中报道的活动最近被不同的深度学习方法所主导,产生了过于复杂的预测模型,这些模型通常可以实现实际效用可疑的准确性增益。在这项工作中,我们详细介绍了深度回声状态网络在这一特定任务中的性能。这些替代建模方法的有效学习算法和更简单的参数配置使它们成为具有竞争力的交通预测方法,用于部署在具有严格有限的计算资源的设备和系统中的实际ITS应用。一个广泛的比较基准是利用在马德里(西班牙)捕获的真实交通数据设计的,共有130多个自动交通阅读器(ATR)和几个浅层学习,集成和深度学习模型。该比较基准的结果以及对报告的性能差距的统计显著性的分析具有决定性意义:Deep Echo State Networks比其他考虑的建模同行实现了更准确的流量预测。
2020-04-17 cs.ET cs.LG cs.NE
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
Short-term Traffic Prediction with Deep Neural Networks: A Survey
Seoul National University(首尔大学);KAIST(韩国科学技术院)
在现代交通系统中,每天都会产生大量的交通数据。这导致了短期交通预测(STTP)的快速发展,其中最近应用了深度学习方法。在具有复杂时空关系的交通网络中,深度神经网络(DNN)通常表现良好,因为它们能够自动提取最重要的特征和模式。在这项研究中,我们从四个角度调查了最近应用深度网络的STTP研究。1)我们总结了输入数据表示方法,根据所涉及的空间和时间依赖的数量和类型。2)我们简要解释了从最早的网络(包括受限玻尔兹曼机)到最近的网络(包括基于图的网络和元学习网络)的各种DNN技术。3)我们总结了以前的STTP研究DNN技术的类型,应用领域,数据集和代码的可用性,以及所代表的时空依赖关系的类型。4)我们编译了流行的公共交通数据集,可以用作标准基准。最后,我们提出了挑战性的问题和可能的未来研究方向STTP。
2020-08-28 cs.AI cs.LG eess.SP
LSTTN: A Long-Short Term Transformer-based Spatio-temporal Neural Network for Traffic Flow Forecasting
School of Geosciences and Info-Physics, Central South University(中南大学地球科学与信息物理学院);Xiangjiang Laboratory(湘江实验室)
提出LSTTN框架,通过掩码子序列Transformer预训练提取长期趋势与周期特征,并结合短期趋势提取器,解决交通流预测中长短期特征建模问题,在四个数据集上相比基线模型提升5.63%至16.78%。
2024-03-25 cs.AI cs.LG cs.SI
Enhancing short-term traffic prediction by integrating trends and fluctuations with attention mechanism
Penn State University(宾夕法尼亚州立大学);HNTB Corporation(HNTB公司)
本研究提出一个混合深度学习框架,通过并行处理长期趋势与短期波动特征并结合 Bahdanau attention 机制,显著提升了多时间跨度下的短期交通流预测精度。
2025-04-28 cs.AI cs.ET cs.LG
Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting
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)
公路交通建模和预测方法是智能交通系统的关键。最近,基于深度学习的交通预测方法已经成为广泛的交通预测任务的最新技术。然而,这些方法需要大量的训练数据,其需要在相当长的时间段内收集。这可能会对缺乏历史数据的高速公路网络的数据驱动学习方法的开发和部署提出许多挑战。解决这个问题的一个有前途的方法是迁移学习,其中在公路网的一部分上训练的模型可以适应公路网的不同部分。我们专注于扩散卷积递归神经网络(DCRNN),一个国家的最先进的图神经网络的公路网预测。它使用递归神经网络中基于图形的扩散卷积操作来模拟高速公路网络的复杂空间和时间动态。然而,DCRNN不能执行迁移学习,因为它学习特定于位置的流量模式,而这些流量模式不能用于网络中看不见的区域。为此,我们为DCRNN开发了一种新的迁移学习方法,其中在高速公路网络的数据丰富区域上训练的单个模型可用于预测高速公路网络中看不见的区域的交通。我们评估我们的方法来预测整个加州高速公路网的交通与一年的时间序列数据的能力。我们表明,TL-DCRNN可以从加州高速公路网络的几个地区学习,并预测交通网络的不可见的区域具有很高的精度。此外,我们证明了TL-DCRNN可以从旧金山地区的交通数据中学习,并可以预测洛杉矶地区的交通,反之亦然。
2020-04-20 cs.LG stat.ML
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
An Enhanced Analysis of Traffic Intelligence in Smart Cities Using Sustainable Deep Radial Function
Al-Kitab University(阿尔基塔布大学);Annai Velankanni College of Engineering(安奈维兰卡尼工程学院);Saveetha School of Engineering(萨维塔工程学院);Sri Eshwar College of Engineering(斯里埃什瓦尔工程学院);Northern Technical University(北方技术大学);University of Anbar(安巴尔大学)
针对智慧城市交通管理问题,提出一种基于深度径向基函数(RBF)网络的方法,通过学习交通数据中的非线性模式实现更精准的预测与决策,有效提升了交通智能。
2024-01-24 cs.LG cs.NE cs.NI
Enhanced Traffic Flow Prediction with Multi-Segment Fusion Tensor Graph Convolutional Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学);Southwest University(西南大学)
本文提出多段融合张量图卷积网络MS-FTGCN,通过张量M-product统一时空建模,并结合小时、日、周组件与注意力融合,在两个数据集上实现了优于现有模型的交通流预测性能。
2024-08-08 cs.IR 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
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
A Multi-Graph Convolutional Neural Network Model for Short-Term Prediction of Turning Movements at Signalized Intersections
University of Tennessee(田纳西大学)
本文提出了一种新颖的多图卷积神经网络(MGCNN)架构,通过结合多图结构和谱卷积操作分别建模交通数据的时间和空间变化,用于信号交叉口的转向运动短期预测,实验证明其优于四个基线模型。
2024-06-02 cs.AI cs.LG
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
Short-term Road Traffic Prediction based on Deep Cluster at Large-scale Networks
Beijing University of Posts & Telecommunications(北京邮电大学);University of Western Ontario(西安大略大学);University of Waterloo(滑铁卢大学)
短时道路交通量预测是智能交通系统(ITS)的重要模块之一。然而,网络级的STTP仍然是具有挑战性的,由于在建模不同的流量模式和跟踪高维时间序列与低延迟的困难。因此,本文提出了一种结合深度聚类(DeepCluster)模块的大规模网络STTP框架。提出了DeepCluster模块,以可视化的方式从大型未标记数据集中监督表示学习。更具体地,为了充分利用流量周期性,原始序列首先被分成多个子序列以用于三元组生成。利用具有三重丢失的卷积神经网络(CNN),通过将序列转换为视觉图像来提取形状特征。基于形状的表示,然后用于道路段聚类。此后,受组中的路段具有相似模式的事实的激励,进一步提出了模型共享策略,以通过基于组的模型(GM)而不是基于个体的模型(IM)来构建基于递归神经网络(RNN)的预测,在基于个体的模型(IM)中,一个模型专门针对一条道路构建。我们的框架不仅可以显着减少模型的数量和成本,但也增加了训练数据的数量和样本的多样性。最后,我们在北京六里桥的网络评估所提出的框架。实验结果表明,DeepCluster可以有效地聚类的道路段和GM可以达到相当的性能与IM的模型数量较少。
2019-02-25 cs.LG stat.ML
Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving
Uber Advanced Technologies Group(优步先进技术集团)
我们解决了自动驾驶汽车安全有效运行所必需的关键方面之一,即预测自动驾驶汽车周围交通行为者的未来状态。我们引入了一种基于深度学习的方法,该方法考虑了当前的世界状态,并生成每个演员附近的光栅图像。然后,这些光栅被用作深度卷积模型的输入,以推断参与者的未来运动,同时还考虑和捕获预测任务的固有不确定性。对真实世界数据的广泛实验强烈表明所提出的方法的好处。此外,在完成离线测试后,该系统成功地在自动驾驶汽车上进行了测试。
2020-03-04 cs.CV cs.LG cs.RO
On the Burstiness of Distributed Machine Learning Traffic
University of Toronto(多伦多大学);Huawei Canada(华为加拿大)
本文研究分布式ML流量的短期突发性,提出量化指标并发现其在5毫秒内峰值均值比超60:1,揭示了其对拥塞和流控制算法的挑战。
2023-12-30 cs.LG cs.NI
On the road to more accurate mobile cellular traffic predictions
Aalto University School of Science(阿尔托大学理学院)
本文提出利用免费道路指标结合蜂窝网络流量,在轻量学习结构中实现高速公路小区短期负载的准确预测,并支持联邦与集中式学习。
2023-05-24 cs.LG cs.NI
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
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
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
Incrementally Improving Graph WaveNet Performance on Traffic Prediction
Stanford University(斯坦福大学)
我们提出了一系列的修改,提高了图形WaveNet的METR-LA流量预测任务上的先前最先进的性能。此任务的目标是使用过去一小时的传感器读数来预测网络中每个传感器的未来流量速度。图WaveNet(GWN)是一种时空图神经网络,它交织图卷积以聚合来自附近传感器的信息,并扩展卷积以聚合来自过去的信息。我们通过(1)使用更好的超参数,(2)添加允许更大梯度流回早期卷积层的连接,以及(3)在更容易的短期流量预测任务上进行预训练来改进GWN。这些修改将METR-LA任务的平均绝对误差降低了0.06,几乎等于GWN对其前身的改进。这些改进推广到PEMS-BAY数据集,具有类似的相对幅度。我们还表明,集成单独的模型进行短期和长期预测进一步提高了性能。代码可在https://github.com/sshleifer/Graph-WaveNet上获得。
2019-12-11 cs.LG eess.SP
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
Traffic map prediction using UNet based deep convolutional neural network
本文描述了我们基于UNet的深度卷积神经网络方法在2019年的Jumic4cast挑战赛上的应用。挑战性的任务是在高分辨率的城市地图上预测未来的交通流量、航向和速度。我们使用基于UNet的深度卷积神经网络训练预测模型进行短期交通预测。在每个卷积块上,层与后续层紧密连接,就像DenseNet一样。通过对从世界上三个不同城市收集的真实世界数据集进行训练和评估,我们的方法在这一挑战中取得了最佳表现。
2019-11-25 cs.LG stat.ML
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