Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结

已于 2022-03-08 19:20:17 修改
阅读量4.9k 收藏 20
点赞数 2
分类专栏： 交通流预测 python GNN/GCN 文章标签： 人工智能 深度学习 算法
于 2020-05-28 18:09:18 首次发布
本文链接：https://blog.csdn.net/zhaoyunduan1958/article/details/106410426
版权

Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting总结
作者：Zulong Diao,Xin Wang, Dafang Zhang, Yingru Liu,Kun Xie, Shaoyao He,湖南大学计算机科学与电子工程学院
来源：AAAI-2019
论文链接：https://www.sci-hub.ren/10.1609/aaai.v33i01.3301890
或 https://download.csdn.net/download/zhaoyunduan1958/83960626
源码：???(未找到)
一、论文动机
在ITS的Traffic forecasting方面，目前已有许多理论研究工作。其中，traditional machine learning methods（ARMA,SVR等）是线性的，不适合处理多变的交通数据，预测准确率低；RNN和CNN不适用于不规则图形关系的数据点；GCNN利用光谱图理论，虽然可有效地处理非欧数据信号，在短时交通预测上很有效，但其假设Laplacian matrix严格不变且可用(adjacency matrix是常数)，与现实中诸多外部因素（traffic accidents等）导致adjacency matrix和Laplacian matrix动态变化的事实相背，故使用固定的Laplacian matrix无法

最低0.47元/天 解锁文章
避暑客
关注
  • 2
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
专栏目录
时间序列预测 DDSTGCN: Dual Dynamic Spatial-Temporal Graph Convolution Network for Traffic Prediction...
prince0520的博客
10-22 501
提出的DDSTGCN框架如上图所示：• 输入的交通数据首先通过线性变换模块进行处理，• 然后输入到堆叠的双时空块(Dual Spatial-Temporal block)中，这是我们对交通流图及其对偶超图实现对偶动态图卷积的核心组件。• 然后通过跳跃连接融合学习到的特征。• 最后，通过Leaky ReLU和线性变换层，得到最终的流量预测结果。
Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting
I‘m Frank Lee
02-20 1961
问题类别 回归、邻接矩阵、时空网 问题描述 交通流量预测问题。为了跟踪交通数据之间的空间依赖关系，提出了一种动态时空GCNN用于精确的交通预测。现有的GCNN方法：拉普拉斯矩阵（度矩阵和邻接矩阵的运算结果）固定，空间依赖关系会随着时间的推移而改变，使用固定的拉普拉斯矩阵无法捕捉这种变化。 解决方法的核心思想 动态GCNN（DGCNN）。1、张量分解操作：从流量样本中提取全局分量（由路网结...
Spatial Temporal Graph Convolutional Networks
02-10
时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文
Dynamic Spatial-Temporal Graph Convolutional Neural Networks forTraffic Forecasting
小蚂蚁与大象
08-31 948
将时空信息与动态拉普拉斯矩阵相融合，与两种最先进的基于图cnn的模型相比，该模型具有更高的容错性，平均精度提高10% ~ 25%。为了以较低的复杂度实现实时学习，创造性地将张量分解融入深度学习框架，将实时交通数据分解为稳定且依赖于长期时空交通关系的全局分量和捕捉交通波动的局部分量。其次张量用来模拟不同时间槽下的交通流量，这类划分时间段的办法也值得怀疑，虽然很多时空数据挖掘中也采用这类方法，但是交通流量的长期或者短期的依赖关系，不同时间粒度的划分，很难模拟依赖关系。本文将c设置为1，重点关注交通速度的监测。.
[论]【DSTGCN】Dynamic SpatiotemporalGraph Convolutional Neural Networks for Traffic Data Imputation
panbaoran913的博客
06-29 4105
动态时空图卷积网络具有三层结构：双向LSTM,GAE,DGCN.
论文笔记：Dual Dynamic Spatial-Temporal Graph ConvolutionNetwork for Traffic Prediction
最新发布
qq_40206371的博客
12-12 1099
前面公式(2)中的原始GCN无法有效模拟交通动态的空间随机性——>提出了一个具有N阶有限步长的图信号扩散过程来模拟交通空间建模为了进一步捕获有向交通图中交通数据的上游和下游效应，扩散过程扩展为双向模型。
Python-TGCN的TensorFlow实现用于城市交通流量预测的时间图卷积网络
08-11
Temporal Graph Convolutional Network for Urban Traffic Flow Prediction Method
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
02-08
Deep Spatial-Temporal 3D Convolutional Neural Networks for Traffic Data Forecasting
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
期权matlab代码-Spatial-Temporal-Pooling-Networks-ReID:ICCV2017论文的代码-联合专注的时空
05-26
Spatial-Temporal Pooling Networks for Video-based Person Re-Identification}, author={Shuangjie Xu, Yu Cheng, Kang Gu, Yang Yang, Shiyu Chang and Pan Zhou}, booktitle={ICCV}, year={2017} } 依存关系 ...
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. ...
Graph Neural Network for Traffic Forecasting: A Survey
CDUTCo的博客
08-25 966
Jiang W , Luo J . Graph Neural Network for Traffic Forecasting: A Survey[J]. 2021. （PDF百度就有） 摘要 这篇综述回顾了使用不同图形神经网络的快速增长的研究主体，且是第一篇综合性的调查，探讨了图形神经网络在交通预测问题中的应用。 简介 简而言之，GNN可以比较好的解决交通问题。 这篇文章确定了最常考虑的问题、图形公式和模型，还调查和总结了公共可用的有用资源，包括数据集、软件和开源代码，用于基于GNN的交通...
【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
HuDarleneq的博客
05-05 1555
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。
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction Benchmark and Solution
qq_41451283的博客
08-02 1497
Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution 1. 文章概述 1.1 当前不足 交通图拓扑的动态特性需要进一步建模。预定义邻接矩阵和自适应邻接矩阵都是随时间变化的静态矩阵，不足以反映现实中路网拓扑的动态特性。 静态的基于距离的图和动态的基于属性的图从不同的角度描述了交通网络的拓扑结构，因此将它们结合起来可以为模型提供更大的范围来捕捉空间依赖关系。然而，大多数作品未能在
[论文精读]Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention
Sherlily的博客
10-03 421
计算机-人工智能-脑科学与类脑智能
论文笔记：Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
qq_40206371的博客
02-02 562
当前的大多数深度学习方法基于共享参数设计模型不同节点对应同一套参数但是，由于每条道路的具体情况不一样，使用同一套参数无法捕捉细粒度的数据模式——>这篇论文设计了节点自适应参数学习(NAPL)模块，分解传统GCN中的参数，每个节点有自己的一套参数当前模型大多使用邻接矩阵来预定义一个图，以捕捉空间相关性这个图不一定能完整地表示空间依赖性‘——>这篇论文设计了数据自适应图生成(DAGG)模块，自动推断不同序列之间的相互依赖关系。
面向交通预测的动态图卷积循环神经网络：基准和方法（重磅推荐）
zuiyishihefang的博客
05-12 6571
1、文章信息《Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Sol...
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
小蚂蚁与大象
06-02 1062
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting（AAA2018） 背景：交通流的高度非线性和复杂性，传统的方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性 动机：我们将问题表达在图上，并建立具有完整卷积结构的模型，这样可以在较少的参数下获得更快的训练速度。 问题：交通预测是一个典型的时间序列预测问题 模型： STGCN由多个时空卷积块组成
【索引】图神经论文之GCN（持更）
panbaoran913的博客
08-06 1164
GNN中三种基础神经网络：GCN, GAT, GraphSAGE.代表了3种聚合的思想。这是我的个人理解(不权威)。然随着图神经网络的快速发展，在图神经网络种添加各种组件、搭建新结构或着引入新方法等越来越多，逐渐令人眼花缭乱。特此，在这里整理相关论文，加以梳理，使脉络清晰。提醒：这里的论文大多涉及交通领域。...
spatial pyramid pooling in deep convolutional networks for visual recognition
03-16
空间金字塔池化（Spatial Pyramid Pooling）是一种在深度卷积神经网络中进行视觉识别的技术。这种方法的核心思想是利用图像的不同尺度和大小的特征，然后将它们整合在一起，以便更好地进行分类和识别。 具体而言，空间金字塔池化会将图像分割成不同的子区域，然后对每个子区域进行卷积操作，最后将得到的特征向量拼接在一起。这样可以让网络更加准确地捕捉到图像中的不同特征，并且能够在不同尺度和大小的图像上进行分类和识别。 空间金字塔池化技术在许多计算机视觉应用中都非常有效，例如物体识别、图像检索和目标跟踪等。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 6
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