Large scale traffic forecasting with gradient boosting, Traffic4cast 2022 challenge
Bolt Technology(博尔特科技);University of Bucharest(布加勒斯特大学)
准确的交通预测对于优化出行规划和高效的城市交通至关重要。IARAI(人工智能高级研究所)组织了一项基于真实数据的年度交通预测竞赛“Traffic 4cast”[https://www.iarai.ac.at/traffic4cast/],旨在利用人工智能的进步来产生准确的交通估计。我们提出了我们的解决方案,IARAI的mixic 4cast 2022竞争,其中的目标是开发预测道路图边缘拥堵类和超段级行驶时间的算法。与前几年相比,今年的比赛侧重于建模图边缘水平的行为,而不是更粗糙的聚合基于网格的交通电影。由于这一点,我们利用了一种类似于表格数据建模的方法--梯度提升决策树集成。我们降低了代表交通计数器的输入数据的维数与经典的PCA方法的帮助下,并将其作为输入到LightGBM模型。这种简单、快速和可扩展的技术使我们在核心竞争中获得第二名。源代码和对训练模型文件和提交的引用可在https://github.com/skandium/t4c22上获得。
2022-10-31 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 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
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
Building Effective Large-Scale Traffic State Prediction System: Traffic4cast Challenge Solution
Purdue University(普渡大学);The University of Sydney(悉尼大学);DiDi Chuxing(滴滴出行)
如何建立一个有效的大规模交通状态预测系统是一个具有挑战性和高价值的问题。本研究的重点是构建一个有效的解决方案,旨在为时空数据预测大规模的交通状态。考虑到Apric 4cast Challenge中的大数据量和我们有限的计算资源,我们强调模型设计,以在可接受的运行时间内实现相对较高的预测性能。我们采用了类似于U-网的结构,并使用掩码代替空间注意力来解决数据稀疏性问题。然后,结合时间序列预测问题的经验,设计了多个特征,作为不同的通道输入到模型中。区域裁剪用于减小感受野大小与研究区域大小之间的差异,并且模型可以针对每个子区域进行专门的优化。跨学科知识和经验的融合是经典交通研究中的一个新兴需求。我们一直在研究的几个跨学科研究也在补充挑战中进行了讨论。源代码可在https://github.com/wufanyou/traffic4cast-TLab上获得。
2019-11-11 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
Building Transparency in Deep Learning-Powered Network Traffic Classification: A Traffic-Explainer Framework
University of Oregon(俄勒冈大学);University of Oregon, Link Oregon(俄勒冈大学,Link Oregon)
本文提出模型无关的流量解释框架Traffic-Explainer,通过最大化原始与掩码序列预测间的互信息揭示关键特征,在应用分类、流量定位和网络制图中提升深度学习流量分类的透明性,性能较现有方法提升约42%。
2025-09-22 cs.LG cs.NI
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
Modeling Network-level Traffic Flow Transitions on Sparse Data
Xi’an Jiaotong University(西安交通大学);New Jersey Institute of Technology(新泽西理工学院)
对城市环境中网络级交通流的变化进行建模,对于交通、公共安全和城市规划等方面的决策具有重要意义。交通流系统可以被看作是在状态之间转换的动态过程(例如,每个路段上的交通量)随时间的变化。在具有交通信号控制或可逆换道等交通操作行为的现实交通系统中,系统的状态受历史状态和交通操作行为的影响。在本文中,我们考虑在现实世界的环境下,可用的数据是稀疏的(即,仅观察到交通系统的一部分)。我们提出了DTIGNN,一种方法,可以预测网络级的流量从稀疏数据。DTIGNN将交通系统建模为受交通信号影响的动态图,从交通中学习基于基本过渡方程的过渡模型,并在此过程中通过插补来预测未来的交通状态。通过综合实验,我们证明了我们的方法优于国家的最先进的方法,可以更好地支持交通决策。
2022-11-19 cs.AI cs.LG
Classification of Traffic Using Neural Networks by Rejecting: a Novel Approach in Classifying VPN Traffic
School of ECE, College of Engineering, University of Tehran(德黑兰大学工程学院电气与计算机工程学院)
在本文中,我们介绍了一种新的端到端的流量分类方法来区分流量类,包括VPN流量在三层的开放系统互连(OSI)模型。由于其加密性质,使用传统分类方法对VPN流量进行分类并不简单。我们利用两个著名的神经网络,即多层感知器和递归神经网络创建我们的级联神经网络集中在两个指标:类分数和类的中心距离。这种方法将提取、选择和分类功能组合到单个端到端系统中,以系统地学习输入和预测性能之间的非线性关系。因此,我们可以通过拒绝VPN类的不相关特征来区分VPN流量和非VPN流量。此外,我们得到的应用类型的非VPN流量在同一时间。该方法是使用一般的流量数据集ISCX VPN-nonVPN,和所获得的数据集进行评估。结果表明,加密流量分类的框架方法的有效性,同时也实现了极高的准确性,$95$百分比,这是高于国家的最先进的模型的准确性,和强大的泛化能力。
2021-12-10 cs.LG cs.NI
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
T-GCN: A Temporal Graph ConvolutionalNetwork for Traffic Prediction
Central South University(中南大学);Georgia Institute of Technology(佐治亚理工学院);Peking University(北京大学);Zhejiang University(浙江大学)
准确、实时的交通预测是智能交通系统的重要组成部分,对城市交通规划、交通管理和交通控制具有重要意义。然而,由于城市道路网络拓扑结构的约束和随时间动态变化的规律,即空间依赖性和时间依赖性,交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间和时间依赖性,提出了一种新的基于神经网络的流量预测方法--时间图卷积网络(T-GCN)模型,该模型结合了图卷积网络(GCN)和门控递归单元(GRU)。具体来说,GCN用于学习复杂的拓扑结构,以捕获空间依赖性和门控递归单元用于学习交通数据的动态变化,以捕获时间依赖性。然后,将T-GCN模型应用于城市道路网络的交通预测。实验表明,我们的T-GCN模型可以从交通数据中获得时空相关性,并且在现实世界的交通数据集上的预测性能优于最先进的基线。我们的T-GCN的tensorflow实现可以在https://github.com/lehaifeng/T-GCN上找到。
2018-12-31 cs.LG stat.ML
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
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
Traffic Refinery: Cost-Aware Data Representation for Machine Learning on Network Traffic
Université Savoie Mont Blanc(萨瓦勃朗峰大学);Princeton University(普林斯顿大学);Nokia Bell Labs(诺基亚贝尔实验室);Inria(法国国家信息与自动化研究所);University of Chicago(芝加哥大学)
网络管理通常依赖于机器学习来预测网络流量的性能和安全性。通常,流量的表示与模型的选择一样重要。模型所依赖的特征以及这些特征的表示最终决定了模型的准确性,以及模型在实践中的部署位置和部署方式。因此,这些模型的设计和评估最终不仅需要了解模型的准确性,还需要了解与在运营网络中部署模型相关的系统成本。为了实现这一目标,本文开发了一个新的框架和系统,能够联合评估机器学习性能的传统概念(例如,模型精度)和网络流量的不同表示的系统级成本。我们强调这两个方面的两个实际的网络管理任务,视频流质量推断和恶意软件检测,以证明探索不同的表示,以找到适当的操作点的重要性。我们展示了探索一系列网络流量表示的好处,并提出了流量精炼,一个概念验证的实现,既可以以10 Gbps的速度监控网络流量,又可以实时的转换流量,为机器学习产生各种特征表示。Traffic Refinery既突出了这一设计空间,又使探索不同的学习表示成为可能,平衡了与特征提取和模型训练相关的系统成本与模型准确性。
2021-06-07 cs.LG cs.NI
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
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
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
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
Interpretable Traffic Event Analysis with Bayesian Networks
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)
提出基于贝叶斯网络的可解释框架,通过保留关键信息的数据集构建流程,实现交通事故预测并揭示天气与交通事件的因果关系,为减少事故提供参考。
2023-10-10 cs.LG stat.AP
Utilizing UNet for the future traffic map prediction task Traffic4cast challenge 2020
本文介绍了我们的UNet为基础的实验在2020年的martic4cast挑战。类似于2019年的Ammic4cast挑战赛,任务是在全球三个大城市的高分辨率地图上预测交通流量,方向和速度。我们主要实验了基于UNet的深度卷积网络,其中包含各种密集连接的卷积层,平均池化层和最大池化层。尝试三种基本UNet模型类型,并通过平均预测得分或取中值来组合预测。我们的方法在今年新建立的挑战数据集上取得了最好的性能。
2020-11-24 cs.CV cs.LG eess.IV
"How do urban incidents affect traffic speed?" A Deep Graph Convolutional Network for Incident-driven Traffic Speed Prediction
Fudan University(复旦大学);Aalto University(阿尔托大学);University of Chicago(芝加哥大学)
准确的交通速度预测是交通规划中一个重要而又具有挑战性的课题。以往的交通速度预测研究主要采用时空和上下文特征进行预测。但是,他们没有很好地利用城市交通事件的影响。在这项工作中,我们的目标是利用城市事件的信息,以实现更好的预测交通速度。我们的事件驱动预测框架由三个过程组成。首先,我们提出了一个关键事件发现方法,发现城市交通事件的交通速度有很大的影响。其次,我们设计了一个二元分类器,它使用深度学习方法从分类器的中间层提取潜在的事件影响特征。结合上述方法,提出了一种深度事件感知图卷积网络(DIGC-Net),有效地结合城市交通事件、时空、周期和上下文特征进行交通速度预测。我们在旧金山和纽约的两个真实城市交通数据集上进行实验。结果表明,我们的模型相比竞争基准的优越性能。
2019-12-03 cs.LG eess.SP 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
Spatio-Temporal Point Processes with Attention for Traffic Congestion Event Modeling
我们提出了一个新的框架,道路网络上的交通拥堵事件建模。通过将交通传感器的计数数据与报告交通事件的警察报告相结合,使用多模态数据,我们的目标是捕获两种类型的拥堵事件的触发效应。一个地点当前的交通拥堵可能会导致道路网络未来的拥堵,而交通事故可能会导致交通拥堵的蔓延。为了模拟事件对过去的非均匀时间依赖性,我们使用了一种基于神经网络嵌入点过程的新的基于注意力的机制。为了将道路网络引起的方向性空间依赖性,我们将空间统计背景下的“尾部”模型应用于交通网络设置。我们证明了我们的方法的优越性能相比,国家的最先进的方法合成和真实的数据。
2021-05-31 cs.LG stat.AP stat.ML
NetGPT: Generative Pretrained Transformer for Network Traffic
Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Beijing Academy of Artificial Intelligence(北京人工智能研究院)
本文提出首个面向网络流量理解与生成的生成式预训练模型 NetGPT,通过多模式统一建模及字段打乱、报文切分和提示标签适配,显著提升多类下游任务性能。
2025-08-28 cs.AI 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
Traffic Density Estimation using a Convolutional Neural Network
ETH Zurich(苏黎世联邦理工学院);University of Southern California(南加州大学);National University of Singapore(新加坡国立大学)
该项目的目标是介绍和展示一个机器学习应用程序,旨在提高新加坡人民的生活质量。特别是,我们研究了使用机器学习解决方案来解决新加坡的交通拥堵问题。用外行人的话来说,我们寻求使新加坡(或任何其他城市)成为一个更顺畅的地方。为了实现这一目标,我们提出了一个端到端的系统,包括1。交通密度估计算法在交通灯/路口和2。一种适当的交通信号控制算法,其利用密度信息进行更好的交通控制。可以使用各种机器学习技术(与CV工具组合)从交通路口图像获得交通密度估计。在研究了各种先进的机器学习方法后,我们决定使用卷积神经网络(CNN)。我们对我们的算法进行了实验,使用陆路交通管理局(LTA)公布的公开可用的交通摄像机数据集,以证明这种方法的可行性。有了这些交通密度估计值,可以应用不同的交通算法来最大限度地减少交通路口的拥堵。
2018-09-05 cs.AI cs.CV cs.LG