- 博客(7)
- 收藏
- 关注
原创 时间序列预测:舍弃LSTM使用Informer
TheThirtyFifthAAAIConferenceonArtificial IntelligenceAAAI-21)最佳论文。
2023-05-16 19:54:27
923
1
原创 【交通流预测】基于注意力神经网络的动态时空相关性城市交通流预测
1. 城市区域:按照经度和纬度将整个城市划分为(I x J)网格2.人群流入/流出先前DHSTNet模型:预测全市交通人群流动。
2023-05-09 18:13:22
726
原创 【交通流预测】利用动态时空图卷积神经网络进行城市交通流预测
题目:Exploiting dynamic spatio-temporal graph convolutional neural networks for citywide traffic flows prediction期刊:Neural Networks时间:9.657 时间:2022。
2023-05-05 22:14:37
1701
原创 【交通流预测】SATP-GAN: self-attention based generative adversarial networkfor traffic flow prediction
期刊:Transportmetrica B: Transport Dynamics时间:2021作者:Liang Zhang, Jianqing Wu, Jun Shen。
2023-04-25 20:32:31
397
原创 【交通流预测】Hierarchical Traffic Flow Prediction Based on Spatial-Temporal Graph Convolutional Network
目的是在一个普遍的或者交叉口的历史交通流量数据未知情况下,预测城市交叉口的未来交通流量圆点表示与历史数据的交点,三角形点表示没有历史数据的交点。在我们的假设中,在我们调查的场景中,圆形和三角形点之间没有一定的分布模式。
2023-04-18 21:24:42
1131
4
原创 【交通流预测】TFGAN: 《基于多图卷积网络的生成对抗网络流量预测》论文详解
定义:根据道路上的历史交通数据来预测未来的交通网络状况。挑战性:由于数据的非欧几里得结构、复杂的空间相关性和交通模式的动态时间依赖性空间和时间相关性之间的干扰交通模式通常是每天或每周周期性的每日数值显示了高峰和非高峰时段的拥堵变化模式,每周数值显示了工作日和周末的流量波动模式以往研究:多变量时间序列(MTS)包括多个与时间相关的变量,每个变量依赖于其早期的值以及来自其他相关变量的值(即,道路网络中任何节点的未来交通不仅依赖于其历史交通,还依赖于网络中的其他节点大多采用具有限制表示的。
2023-04-13 20:45:03
546
1
原创 【交通流预测】 《LSGCN: Long Short-Term Traffic Prediction with Graph Convolutional Networks》
文章总结:现存问题:很少有方法能同时满足长期和短期的预测任务。创新点:一个新的深度学习框架LSGCN用于长短期流量预测任务。 在LSGCN中,我们分别采用空间选通块和选通线性单元卷积(GLU)来捕获空间和时间特征。 将GCN和COSATT(新的图注意网络COSATT)结合到空间门控块中。摘要提出了一种新的深度学习框架&长短时图卷积网络(LSGCN)来解决这两种业务预测任务。 提出了一个新的图关注网络称为COSATT,并将COSATT和图卷积网络(GCN)集成到一个空间选通块
2023-04-11 20:34:24
1196
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人