![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读笔记
关于交通流量预测的论文阅读,包括翻译和笔记注释。
一个用户aaa
这个作者很懒,什么都没留下…
展开
-
论文阅读笔记:ST-MetaNet-1
城市交通预测对智能交通系统和公共安全具有重要意义,但具有挑战性,主要体现在以下两个方面:1)城市交通复杂的时空相关性,包括位置之间的空间相关性和时间戳之间的时间相关性;2)这种时空相关性的多样性,随位置的不同而变化,并依赖于周围的地理信息,如兴趣点和路网。为了应对这些挑战,提出了一种基于深度元学习的ST-MetaNet模型,可以同时对所有位置的流量进行集体预测。ST-MetaNet采用了一种序列到序列架构,由一个用于学习历史信息的编码器和一个用于逐步进行预测的解码器组成。原创 2024-08-13 10:08:40 · 695 阅读 · 1 评论 -
面向城市人群流量预测的深度时空残差网络[名词解释]
输入直接映射到输出,没有中间步骤或人为干预。这种方法的核心思想是将整个任务或流程作为一个单一的系统来优化和执行,而不需要手动处理中间步骤或特征工程。原创 2024-08-05 21:21:07 · 399 阅读 · 0 评论 -
面向城市人群流量预测的深度时空残差网络[翻译]
人群流量预测对交通管理和公共安全具有重要意义,同时受区域间交通、事件、天气等多种复杂因素影响,具有很大的挑战性。本文提出一种基于深度学习的方法ST-ResNet,来预测城市每个区域的人群流量和流出量。基于时空数据的独特特性,设计了ST-ResNet的端到端结构。具体地,采用残差神经网络框架对人群交通的时间稠密性、周期性和趋势性进行建模。针对每个属性,设计一个残差卷积单元分支,每个分支对人群交通的空间属性进行建模。ST-ResNet根据数据学习动态聚合三个残差神经网络的输出,为不同的分支和区域分配不同的权重。翻译 2024-08-04 20:10:48 · 71 阅读 · 1 评论