GSNet：Learning Spatial-Temporal Correlation from Geographical and Semantic Aspects for Traffic Accid

最新推荐文章于 2023-10-10 17:45:14 发布
最新推荐文章于 2023-10-10 17:45:14 发布
阅读量990 收藏 1
点赞数 2
分类专栏： 交通预测 文章标签： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/plty_ing/article/details/117258783
版权
GSNet是一种针对交通事故风险预测的深度学习模型，它通过学习地理和语义方面的空间时间相关性来提升预测准确性。该模型解决了传统模型考虑因素不全面以及零值膨胀的问题，采用特征融合和权重损失函数有效处理数据特点。实验结果显示，GSNet在与其他模型的对比中表现出优越性能。
摘要由CSDN通过智能技术生成

GSNet：Learning Spatial-Temporal Correlation from Geographical and Semantic Aspects for Traffic Accident Risk Forecasting（AAAI 2021）

 

提出问题：

  1. 导致交通事故因素很多(天气、时间、交通流量、POI等)，以往的模型考虑不全面；

  2. 零值膨胀(zero-inflated)问题：零值过多会导致预测不准确；

  3. 为提高预测准确性：考虑区

最低0.47元/天 解锁文章
喷嚏O(∩_∩)O
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic
小蚂蚁与大象
08-23 791
具体而言，时空地理模块将时空网格特征和时间特征作为输入，利用卷积、门控单元(GRU)和时间注意力对区域间的地理时空关联进行建模;然而，由于交通事故受多种因素影响，且对时空维度特征具有多尺度依赖性，因此对交通事故进行预测非常具有挑战性。在该模型中，设计了时空地理模块来捕获区域间的地理时空关联，设计了时空语义模块来建模区域间的语义时空关联。首先利用卷积对地理空间相关性进行建模，然后利用GRU和时间注意力机制动态捕捉地理空间的短期和长期时间相关性。图2展示了我们的GSNet模型的架构，该架构主要由两个模块组成，
读懂GSnet（一）：pandas读取pkl格式的多维数组，可视化理解时空数据
妈妈在家
10-12 3220
GSNet数据解读原始数据数据理解维度格式如何读取四维数组？读空间分布读时间分布读其它分布结语 之前很少用过多维数组，不知道怎么读取。今天阅读论文《Learning Spatial-Temporal Correlation from Geographical and Semantic Aspects for Traffic Accident Risk Forecasting（AAAI 2021）》时，文章提供的原始数据是4维的，正好研究一下。 原始数据 代码和原始数据：https://github.com/
行人重识别论文阅读2-视频中基于时空相关性和拓扑学习的行人重识别（CTL）
qq_33977080的博客
06-28 1204
视频中基于时空相关性和拓扑学习的行人重识别 Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos 解决的问题： 本文提出一个新的时空相关性和拓扑学习框架(CTL)，通过建立跨尺度的时空相关性来追求有区别的和鲁棒的表示。 利用一个CNN主干和一个关键点估计其从人体中提取多个粒度的语义局部特征作为图节点。通过考虑全局上下文信息和人体的物理联系，探索了一种上下文增强拓扑来构造多尺度图。
【转载】时空数据挖掘论文 - AAAI 2021
入凡尘狼性不足
11-09 1069
【转载】时空数据挖掘论文 - AAAI 2021 转载于此，造福大众，感谢原作者 今年AAAI2021接收论文投稿数为9034篇，总共有7911篇论文进行了评审，最终录取篇数为1692篇，接收率为21.4% 简介 近日公布出了论文的接收列表，笔者对其中的时空数据挖掘相关的论文进行了梳理，共42篇，占总录取篇数比例为2.48%，具体如下： Deep Switching Auto-Regressive Factorization: Application to Time Series Forecasting.
论文阅读笔记：Traffic Anomaly Prediction Based on JointStatic-Dynamic Spatio-Temporal EvolutionaryLearning
ayuuuuu的博客
10-20 421
图卷积交通事故预测文章阅读笔记
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
A novel depth spatial-temporal consistency enhancement algorithm for high compression performance
02-09
can compensate both spatial and temporal depth information<br />inaccuracy by using Bayesian probability model and Rival<br />penalized competitive learning in Self-Organizing Maps. ...
Deep Spatial-Temporal Feature Fusion From Adaptive Dynamic Functional Connectivi
01-13
### 深度时空特征融合与自适应动态功能连接性在MCI识别中的应用 #### 研究背景与意义 随着神经科学的发展和技术的进步，对大脑疾病的研究日益深入。其中，利用静息态功能磁共振成像（rs-fMRI）进行动态功能连接性...
论文研究-QoE Assessment for Streaming Video Considering Spatial-Temporal Characteristic.pdf
08-22
考虑时间-空间特性的流媒体视频QoE评价模型，石然，刘奕彤，流媒体视频服务作为目前网络服务最广泛使用的应用之一，其用户感知质量已经引起了服务提供商的广泛关注。本文提出了一种预测流媒
[论文阅读]Spatial Temporal Graph Convolutional Networks for Skeleton-Based ActionRecognition
qq_60272314的博客
10-29 1632
目录 一.概括 二.传统GCN与本文ST-GCN之间的区别 三.实现ST-GCN的细节 一.概括 传统的a骨骼建模方法通常依靠手工制作部分或遍历规则，从而导致表达能力有限和泛化困难.过往方法能力的限制在于不能精确的提取关节之间的空间关系，而这些空间关系对于理解人类活动是重要的。 本文旨在开发一种有原则的、有效的动态骨骼建模方法，并将其用于动作识别。提出了一种新的 ST-GCN，即时空图卷积网络模型，用于解决基于人体骨架关键点的人类动作识别问题。通过自动从数据中自动学习空间和时间...
Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking---随笔
weixin_30915951的博客
11-22 380
Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking DCF跟踪算法因边界效应，鲁棒性较差。SRDCF通过引入空间正则参数有效地提升了跟踪性能，但是增加了算法地复杂性。SRDCF在更新网络参数的时候，需要利用多张图片，这无疑增加了算法地运行效率。本文针对SRDCF，引入temporal reg...
基于Spatial-Temporal Transformer的城市交通流预测
zuiyishihefang的博客
07-13 4412
文章信息本周阅读的论文是题目为《Spatial-Temporal Transformer Networks for Traffic Flow Forecasting》的一篇2021年发布在arXiv网站上的使用时空Transformer网络（STTNs）预测交通流的文章。摘要交通预测已成为智能交通系统的核心组成部分。然而，由于交通流的高度非线性特征和动态的时空依赖性，及时...
论文笔记：Adaptive Graph Spatial-Temporal Transformer Network for Traffic Flow Forecasting
Zongyouqiangu的博客
11-26 3347
自注意力的思想是通过使用相应的查询键对查询其他token来更新每个令牌自己的值在该论文中中，作者提出了一种新的模型，称为ASTNN，用于交通预测的图结构时空建模。ASTNN是由堆叠的ST-Attention Block构建的，用于同时建模空间和时间相关性。作者使用局部多头自注意（L-MSA）来有效地计算时空图上的关注。此外，为了探索真实的空间相关性并提高局部时空注意力的性能，还引入了可学习自适应图，该图可以帮助目标节点选择相关节点进行关注。
基于时空Transformer的短时交通流预测
zuiyishihefang的博客
05-06 6905
1、文章信息《Spatial-Temporal Transformer Networks for Traffic Flow Forecasting》。今年贴在arXiv上的一篇文章。2、...
论文阅读：Spatial-Temporal Transformer for Dynamic Scene Graph Generation(ICCV2021)
qq_40349484的博客
10-27 2047
前些日子作业多，就没看论文。组会上老师问我有没有用transformer做场景图的。我说没吧老师。然后师姐给我发了这篇。今天把这篇文章梳理完了，做个记录。 这篇文章是做动态场景图的，就是由视频生成场景图。我之前看的都是基于静态图片的，也就是静态场景图。论文作者设计了一个Transformer，捕捉到了单个帧内各谓语表示的空间信息和相邻帧的时序信息。为什么要利用好时序信息呢？对于视频而言，前一帧对后一帧是有启发作用的，作者认为如果前一帧是人-holding-杯子这样的关系，那么很容易就能猜到后一帧是人-dri
【论文分享】Spatial-Temporal Transformer Networks for Traffic Flow Forecasting
zn0412的博客
11-15 8360
摘要        交通预测已经成为智能交通系统的一个核心组成部分。然而，由于交通流的高度非线性和动态时空依赖性，及时准确的交通预测，特别是长期预测，仍然是一个公开的挑战。在本文中，我们提出了一种新的时空Transformer网络（STTNs），它联合利用动态的定向空间依赖和长距离的时间依赖来提高长期交通流预测的准确性。我们提出了一种新的图神经网络变体，名为空间Transformer，以动态的方式建立具有自注意力机制的有向空间依赖关系模型
Transformer模型 | 基于Spatial-Temporal Transformer的城市交通流预测
最新发布
算法如诗的博客
10-10 478
Transformer模型 | 基于Spatial-Temporal Transformer的城市交通流预测
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值