论文笔记：Multitask Learning and GCN-Based Taxi Demand Prediction for a Traffic Road Network

于 2023-07-01 11:13:34 发布
阅读量159 收藏 1
点赞数
分类专栏： 论文笔记 文章标签： 论文阅读
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/qq_40206371/article/details/131474064
版权
该模型结合了图卷积网络(GCN)、长短期记忆网络(LSTM)和多任务学习，针对路段车流量预测。基于西安的实际出租车轨迹数据，模型通过学习历史时间段的图特征，预测下一个时间步的上下客车流量。实验结果显示其在交通预测上的有效性，并进行了消融实验以验证各组件的作用。
摘要由CSDN通过智能技术生成

2020 Sensor

空域GNN+LSTM+multitask

1 模型

1.1 基本框架

1.2 模型网络

  • 记路段数量为R，历史时间段数量为K
    • 图的特征矩阵X维度为K*R
    • 邻接矩阵维度为R*R
  • 经过GCN+GLU+BN之后，输出的维度为K*R
  • 经过LSTM，输出的维度为1*R
  • 全局关系图和局部关系图各能够获得一个LSTM的输出
    • 将两个变量进行拼接（2*R），接入二维卷积中，得到一个1*R的矩阵，就是输出结果（下一个时间步各路段上车/下车的车流量）
  • multi-task体现在损失函数上
    •  

      •  其中loss_{in}, loss_{out}分别表示上客和下客的车流量

        •  

           

2 实验 

2.1 数据

来自西安的真实出租车轨迹。这些轨迹来自1万多辆出租车，覆盖了2万个路段

2.2 结果

 2.3 消融实验

 

UQI-LIUWJ
关注
专栏目录
⑤ 【自监督学习 · 图神经网络 · 文献精读】GCN存在的缺陷 | 多任务学习 | 自监督辅助任务 | 图卷积网络 | 半监督图分类任务 | 附：文心一言 测试
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
05-11 828
GCN(Graph Convolutional Networks) 存在的缺陷有：[1] 批次训练问题：GCN的批次训练方法容易受到数据集大小和批次大小的影响，导致训练速度缓慢。[2] 节点特征维度：GCN 的节点特征维度通常较高，这使得 GCN 在处理长序列问题时表现不佳。[3] 退化问题：GCN 在处理一些复杂图结构时容易出现梯度消失或梯度爆炸的问题，这会导致模型难以训练和调整。[4] 邻居权重问题：GCN 在处理图结构时通常采用对称的拉普拉斯矩阵，这使得它无法适用于有向图。为了解决这个问题...
BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation ...
Young, Simple, Naive
10-30 429
双向自回归 Transformer，文本生成效果好
Multi-Task-Learning:多任务学习的论文，代码和应用程​​序列表
04-18
多任务学习 有关多任务学习的论文，代码和应用程​​序列表。 欢迎发表评论和贡献！ 而且正在更新... [目录] 文件 民意调查 多任务学习调查。 arXiv ，2017年7月。 深度神经网络中的多任务学习概述。 2017年6月， arXiv 。 简要介绍多任务学习。 多媒体工具与应用，77（22）：29705–29725，2018年11月。 密集预测任务的多任务学习：一项调查。 arXiv ，2020年4月。 深度多任务学习和辅助任务学习的简要回顾。 2020年7月arXiv。 深度神经网络的多任务学习：一项调查，2020年。 架构设计 纯硬参数共享 MultiNet：自动驾驶的实时联合语义推理。 在IEEE Intelligent Vehicle Symposium，Proceedings ，2018。 使用不确定性权衡场景几何和语义损失的多任务学习。 IEEE计算机协会
【论文笔记】Multi-task Learning with Sample Re-weighting for Machine Reading Comprehension（2019，NAACL）
记录每一次小小的进步
03-01 1125
这篇论文主要提出了一种多任务学习（Muti-Task Learning, MTL）运用于MRC技术时，以“给辅助数据集添加权重”的方式来衡量数据可能的贡献，以此也防止非领域数据对模型的污染，其中自动添加权重的思路非常巧妙，值得学习。
7篇顶会论文带你梳理多任务学习建模方法
fareise的博客
02-19 1716
本文从最基础的多任务学习开始，梳理了近几年来7篇多任务学习顶会相关工作，包括Hard/Soft Parameter Sharing、参数共享+门控、学习参数共享方式等建模方式。
在Pymoo中实现多任务多目标优化
zhenlingcn的博客
03-19 4420
多任务多目标优化是近年来研究的热点。然而，Pymoo似乎还不支持这种优化范式。因此，在本文中，我打算在Pymoo中实现这个范式。实际上，多任务优化算法还是比较新的领域。总的来说，目前还不清楚哪种算法普遍优于其他算法。根据我目前的知识，[1][2][3]是一些应该考虑的有趣的论文。 在本文中，我将尝试实现一个通用的模板代码，用于在Pymoo中嵌入自定义的多任务策略，而不是实现一个特定的多任务进化算法。 首先，请允许我解释一下我的想法。由于多任务进化优化算法的基本思想是在群体之间交换信息以帮助解决问题，因此我们
【论文笔记】--LiDAR-based Multi-Task Road Perception Network for Autonomous Vehicles
weixin_52820633的博客
10-30 464
基于激光雷达的自动驾驶汽车多任务道路感知网络 摘要   对于自动驾驶汽车来说，在动态驾驶环境中实时获取综合的静态道路信息是其重要要求。对周围道路的综合感知应该包括对遮挡下的整个道路区域的准确检测，以及道路的三维几何和拓扑类型，以便于自动驾驶的实际应用。为此，我们提出了一种轻量级、高效的基于lidar的多任务道路感知网络(LMRoadNet)，可以同时进行无遮挡道路分割、道路地面高度估计和道路拓扑识别。为了优化该网络，在公共SemanticKITTI数据集的基础上，半自动化地建立了相应的多任务数据集Multi
论文阅读：BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation,
Hero19980512的博客
04-28 1151
论文阅读：BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation, and Comprehension 来源：ACL 2020 下载地址：https://aclanthology.org/2020.acl-main.703.pdf Abstract 我们提出了 BART，一种用于预训练序列到序列模型的去噪自动编码器。 BART 通过以下方式进行训练：(1) 使用任意噪声函数破
论文阅读 decaNLP -- The Natural Language Decathlon: Multitask Leaning as Question Answering
weixin_38836074的博客
09-22 2077
作为一个刚刚入门NLP的学生，希望在阅读每一篇论文后都进行一定的记录，提炼文中观点，写出自己的理解，如有任何解读错误之处敬请指出，Ｏ（∩＿∩）Ｏ谢谢！ 先放出paper的网址　https://arxiv.org/pdf/1806.08730.pdf key words Multitask Learning Zero-shot Learning Transfer Learning Meta-Lea...
Multitask-and-Transfer-Learning:基准测试并构建可以进行多任务和转移学习的RL体系结构
05-03
多任务和转移学习 基准测试并构建可以进行...这个领域有很多论文发表，很难一一列举！ 查看 如果您是机器学习/ RL的新手，那么这可能是一个不错的起点，因为您将重新实现现有的体系结构。 我们想看看当前最先进的架构
图神经网络入门（一）GCN图卷积网络
weixin_45519842的博客
04-26 877
本文是清华大学刘知远老师团队出版的图神经网络书籍《Introduction to Graph Neural Networks》的部分内容翻译和阅读笔记。个人翻译难免有缺陷敬请指出，如需转...
基于多任务学习和GCN的交通路网出租车需求预测
zuiyishihefang的博客
03-03 2941
1、文章信息文章题目为《Multitask Learning and GCN-Based Taxi Demand Prediction for a Traffic Road Network...
论文笔记 | 基础知识类论文（多任务学习、图卷积等）
Firmiana1220的博客
02-20 600
文章目录Representation Learning Using Multi-Task Deep Neural Networks for Semantic Classification and Information Retrieval研究动机两个任务模型框架模型训练实验评估总结An Overview of Multi-Task Learning in Deep Neural Networks什么是Multi-task Learning?Multi-task learning 适用场景两种常见的参数共享方
Deep Facial Expression Recognition: A Survey 笔记
Tender_Li的博客
07-19 2万+
Deep Facial Expression Recognition: A Survey 论文笔记 ​ 首先是我读这篇论文的目的，我的研究方向是“基于面部表情的情感识别”，是偏向于计算机视觉的一个方向，这篇论文对深度面部表情识别（DFER）做了一个全面的介绍，包括数据集、DFER的基本流程、各个流程中使用的方法等，阅读这篇文章可以对DFER的一些基本情况做一个初步的了解。这是一个笔记，后面会有精简的总结。 摘要 摘要部分主要介绍了三个问题： 深度神经网络被越来越多的用于FER系统的原因： 面部表情识别
[论文阅读笔记25]GCN4NER：用GCN模型来解决NER
ld326的专栏
03-01 1612
题目： Graph Convolutional Networks for Named Entity Recognition Cetoli A , Bragaglia S , O’Harney A D , et al. Graph Convolutional Networks for Named Entity Recognition[J]. https://arxiv.org/pdf/1709.10053.pdf 作者： Cetoli, A. Bragaglia, S. O’Harney, A. D. Slo
【图智决策】ICLR2022 | 关系型多任务学习：建模数据和任务之间的关系
hlj2009的博客
11-11 1297
感谢大家关注图智决策，本公众号为纯学术交流平台，主要为大家分享有关图神经网络、图上组合优化与决策、图上算法推理等前沿话题相关的论文及其解读。本期话题为图上的多任务学习，笔者将带领大家一起解读来自ICLR2022的一篇Spotlight论文
多任务学习（Multi-task learning）
Deep Learning and NLP Farm
10-24 2万+
多任务学习（Multi-task learning）是和单任务学习（single-task learning）相对的一种机器学习方法。在机器学习领域，标准的算法理论是一次学习一个任务，也就是系统的输出为实数的情况。复杂的学习问题先被分解成理论上独立的子问题，然后分别对每个子问题进行学习，最后通过对子问题学习结果的组合建立复杂问题的数学模型。多任务学习是一种联合学习，多个任务并行学习，结果相互影响。
多任务深度学习（MultiTask Learning）
热门推荐
毛财胜的专栏
09-29 3万+
多任务学习给出多个监督信息（标签），利用任务之间的相关性互相促进。案例1-人脸识别香港中文大学汤晓鸥组发表在NIPS14的论文《Deep Learning Face Representation by Joint Identification-Verification》,提出了一种联合训练人脸确认损失和人脸分类损失的多任务人脸识别网络DeepID2（Deep IDentification-verif
多任务学习-Multitask Learning
catcatrun
07-12 1万+
1. 单任务学习VS多任务学习原文地址单任务学习：一次只学习一个任务（task），大部分的机器学习任务都属于单任务学习。多任务学习：把多个相关（related）的任务放在一起学习，同时学习多个任务。现在大多数机器学习任务都是单任务学习。对于复杂的问题，也可以分解为简单且相互独立的子问题来单独解决，然后再合并结果，得到最初复杂问题的结果。这样做看似合理，其实是不正确的，因为现实世界中很多问题不能分解为
multitask learning
最新发布
05-01
多任务学习 (Multitask Learning) 是一种机器学习方法，其中一个模型同时学习多个相关任务。这些任务可以共享底层特征，从而提高模型的泛化能力和效率。多任务学习可以通过减少参数数量，提高训练效率和降低过拟合...
评论
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

打赏作者

UQI-LIUWJ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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