论文笔记：Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction

于 2024-11-07 21:58:03 发布
阅读量338 收藏
点赞数 4
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/143608636
版权

1 背景

  • 城市地铁网络是一个具有显著时空特征的动态图
    • 不同站点有不同的交通模式，不是简单的空间连接关系
  • ——>论文提出了一种适用于地铁流预测的时空动态图关系学习方法，可以建模不同站点的不同交通模式，并捕捉站点之间的动态空间依赖关系。

2 方法

3 实验 

 

基于时空动态图关系学习的地铁客流预测
zuiyishihefang的博客
12-22 2308
导读论文题目《Spatio-Temporal Dynamic Graph Relation Learning for Urban Metro Flow Prediction》。该论文于2023年发表于《IEEE Transactions on Knowledge and Data Engineering》，文章开发了一个时空动态图关系学习模型（STDGRL）来预测城市地铁站的流量。摘要城市地铁流量...
论文笔记《Spatio-Temporal Graph Structure Learning for Traffic Forecasting》
mintminty的博客
12-15 2597
【论文】 Zhang Q, Chang J, Meng G, et al. Spatio-Temporal Graph Structure Learning for Traffic Forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. 2020, 34(01): 1177-1185. 【代码】 暂无 本篇文章主要是解决如何建模复杂、动态的空间依赖性问题，作者认为现在用的图卷积神经网络存在以下几个问题：.
Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning总结
Jeff zhao
06-11 1018
在这里插入图片描述
Spatio-Temporal Graph Few-Shot Learning with Cross-City Knowledge Transfer
小蚂蚁与大象
08-21 715
通过模拟目标城市的少样本场景，对批量的少样本训练任务进行采样，得到适应性强的基础模型。在4个交通速度预测基准数据集上进行了综合实验，结果表明了ST-GFSL的有效性。具体来说，STNN作为ST-GFSL中的基本特征提取器，其中可以使用任何时空学习架构，比如图神经网络(GNNs)，循环神经网络(rnn)和其他最先进的时空图学习模型。在本节中，我们详细描述了所提出的ST-GFSL框架。为了应对这一挑战，跨城市知识迁移已显示出其前景，从数据充足的城市中学习的模型被利用来有利于数据稀缺城市学习的过程。
Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey
最新发布
小蚂蚁与大象
08-23 1237
多图卷积 Multi-Graph Convolution在城市系统中，在空间尺度上存在着多种关系。例如，在交通系统中，相似的交通模式可能存在于相邻区域和具有相似POI的区域中。因此，同时考虑多个空间关系对于STGNN中的时空依赖性学习是不可忽视的。该模型首先基于邻域、功能相似性和连通性构造多图，以表征多种空间相关性。对于每个图，分别采用上下文门控RNN和ChebNet来捕获时间和空间相关性。最后，通过融合并行化的多图时空隐藏信息，得到最终的预测结果。
精读论文：Urban Traffic Prediction from Mobility Data Using Deep Learning
汪汪汪的博客
11-14 1763
Urban Traffic Prediction from Mobility Data Using Deep Learning IEEE Network 2018 李默组的论文 OUTLINE mobility data 的四种分类 传统方法及三种任务的介绍 深度学习在三种任务中的进展 未来的两个研究方向 文章把预测交通的 mobility data 分成如下几类 Traffic Dat...
论文阅读：Action Genome: Actions as Composition of Spatio-temporal Scene Graphs
wawaqing2333的博客
12-13 2993
Action Genome: Actions as Composition of Spatio-temporal Scene Graphs Action Genome 是第一个同时提供动作标签和时空场景图标签的大型视频数据库。 论文地址：https://arxiv.org/pdf/1912.06992.pdf GitHub地址：https://github.com/JingweiJ/ActionGenome 官网地址：https://www.actiongenome.org/ ...
NIPS2022上的图神经网络相关论文总结
jkokj23153的博客
09-20 3782
NIPS2022上的图神经网络相关论文总结
整理研究方向（1）【未完成】
qq_35780315的博客
07-26 2563
整理从交通流量预测发展到其他方向的团队文章，并研究调研我们可以研究的方向
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
【CVPR2022】论文列表与下载——PartFour
TomRen
06-12 3227
【CVPR2022】完整论文列表
城市计算，交通预测，流量预测，需求预测汇总
开源探索者
07-08 3388
本项目汇集了新基建和城市计算等领域的最新研究成果，包括白皮书、学术论文、人工智能实验室和城市数据集等相关内容。 This project is a collection of recent research in areas such as new infrastructure and urban computing, including white papers, academic papers, AI lab and dataset etc.
When Transfer Learning Meets Cross-City Urban Flow Prediction: Spatio-Temporal Adaptation Matters
小蚂蚁与大象
08-04 702
如图2所示，TAAM Mt设计用于时间感知特征转移，城市差异也反映在时间维度上。具体来说，我们首先使用自我注意机制来获取领域权重，表示源城市和目标城市的本地时间特征的影响。然后，采用基于差异的域适应方法，即MMD [Long等人，2017]，从源城市和目标城市获取全球时间特征。城市流量预测是构建智慧城市的一项基本任务，神经网络已经成为其中最流行的方法。然而，深度学习方法通常依赖于大量的训练数据，这些数据在现实世界中可能是不可访问的。应该说 在城市计算上的城市特征之间迁移是个很好的方法。...
Graph Few-shot learning via Knowledge Transfer
weixin_37936515的博客
09-22 1081
Preliminaries 图神经网络 一个图G\mathcal{G}G由其邻接矩阵和节点特征(A,X)(\mathbf{A},\mathbf{X})(A,X)表示，其中A∈{0,1}n×n\mathbf{A} \in\{0,1\}^{n \times n}A∈{0,1}n×n,X={x1,…,xn}∈Rn×h\mathbf{X} = \left\{\mathrm{x}_{1}, \ldots, \mathrm{x}_{n}\right\} \in \mathbb{R}^{n \times h}X={x1​
STMetaNet：基于深度元学习的时空数据城市交通预测
myblog
11-29 3017
**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning 简介：KDD 2019的论文，考虑了节点和边的元信息来做预测 **解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。 其
时空数据挖掘一（城市计算）
小蚂蚁与大象
09-08 5294
直观地说，一条边的特征依赖于它的属性，如道路的连通性和节点之间的距离。为了对全市交通进行建模，受对交通缺失模式和先验知识的观察启发，提出了一种神经记忆和泛化方法来推断缺失的速度和流量，主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验，以说明ST-MetaNetþ超越几种最先进的方法的有效性。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3个方面的挑战: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;
KDD 2022时空数据挖掘领域论文汇总
AI蜗牛车
02-05 3886
KDD 2022是数据挖掘领域的顶级学术会议，第28届会议于2022年8月14-18日在美国华盛顿特区会展中心举行。KDD 2022的Research和Applied Data Science两个Track共收到2448篇投稿，其中449篇被接收发表，总体接收率为18.3%。本文梳理汇总了发表于KDD 2022上的时空数据挖掘（Spatial-Temporal Data Minin...
Traffic Flow Prediction via Spatial Temporal Graph Neural Network
羊城迷鹿的博客
09-13 1244
研究问题 交通流的动态预测问题 背景动机 在短期预测交通流的情况下无法利用周期性，并且存在着较多的不确定性例如突发的事故，导致了一些预测上的困难 道路之间的交互关系难以识别 当前利用attention机制捕获动态空间依赖的模型只使用了车速信息，忽视了其他的一些信息，也没有利用全局的时间依赖 模型思想 提出了一种具有位置注意力机制的图神经网络层来更好地聚合邻近节点的空间信息 将RNN和Transformer相结合来捕获局部和全局的时间依赖 符号定义 给定图G={V,E}\mathcal{G}=\{\m
时空图学习笔记：Structural-RNN: Deep Learning on Spatio-Temporal Graphs
zcsdn1996的博客
10-18 6131
论文链接：https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Jain_Structural-RNN_Deep_Learning_CVPR_2016_paper.pdf 此为原创笔记，如需转载请注明 时空图和结构化RNN: st-graph and str...
AutoSTL: Automated Spatio-Temporal Multi-Task Learning
06-09
AutoSTL是一个基于机器学习的框架，用于解决时空数据的多任务学习问题。该框架利用时空数据的特殊性质，通过自动学习数据之间的相关性和共享信息，实现了多个时空任务的联合学习。AutoSTL的核心是一种基于贝叶斯方法...
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

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