Hierarchical Graph Convolution Networks for Traffific Forecasting 论文总结

最新推荐文章于 2024-04-12 12:13:14 发布
置顶 最新推荐文章于 2024-04-12 12:13:14 发布
阅读量1.4k 收藏 7
点赞数 1
分类专栏： 交通流预测
本文链接：https://blog.csdn.net/zhaoyunduan1958/article/details/116234209
版权
HGCN是Kan Guo等人在AAAI 2021上提出的交通预测方法，通过层次图卷积网络捕捉道路网络的微观和宏观特征。论文介绍了使用谱聚类构建的区域宏观图，并在微观图和宏观图上应用图卷积。动态传输块整合了不同尺度的特征，提高了预测精度。实验显示，HGCN在计算效率和预测性能上优于其他基于GCN的方法。
摘要由CSDN通过智能技术生成

 

作者：Kan Guo, Yongli Hu, Yanfeng Sun et al.

来源：AAAI 2021

代码：https://github.com/guokan987/HGCN

1论文动机

       交通预测在智能交通系统中广泛应用。现有预测方法多关注如何建立一个时空模型以表达非平稳的交通模式。目前，GCN用于学习空间特征，获得了先进的性能。但基于GCN的预测方法仅作用于道路网络微层图，忽略了交通系统是由道路网络微层和区域网络宏观层组成的分层结构。本文提出一种层次图卷积网络（HGCN），通过对微观交通图和宏观交通图的卷积操作预测交通。经两个城市交通数据集评价，相比最新的基于GCN的预测方法，HGCN计算成本低且预测精度高。

2 论文创新

  1. 用谱聚类从路网构建区域宏观图，分别在微观图和宏观图上做卷积；
  2. 在微观层和宏观层间引入动态传输块，其交互作用集成2个层的多个GCN，整合了路段和区域不同尺度的特征，以提高交通预测性能。

3 论文模型

 

                                                                                                                                                       图3.1 HGCN模型

3.1 问题描述

 

3.2 HGCN组成

        交通层次图生成块

最低0.47元/天 解锁文章
避暑客
关注
专栏目录
A Comprehensive Survey on Graph Neural Networks(图神经网络综合研究)
weixin_41697507的博客
07-06 7417
A Comprehensive Survey on Graph Neural Networks Zonghan Wu, Shirui Pan, Member, IEEE, Fengwen Chen, Guodong Long, Chengqi Zhang, Senior Member, IEEE, Philip S. Yu, Fellow, IEEE Abstract—Deep learning ...
Graph Neural Networks: A Review of Methods and Applications（图神经网络：方法与应用综述）
weixin_41697507的博客
07-06 5394
Graph Neural Networks: A Review of Methods and Applications Jie Zhou , Ganqu Cui , Zhengyan Zhang , Cheng Yang, Zhiyuan Liu, Lifeng Wang, Changcheng Li, Maosong Sun Abstract—Lots of learning tasks req...
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
02-08
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting
Hierarchical Graph Convolution Networks for Traffic Forecasting (AAAI-21)
小蚂蚁与大象
06-06 505
Hierarchical Graph Convolution Networks for Traffic Forecasting (AAAI-21) 交通流量预测问题 背景： 这些GCN方法忽略了交通系统的自然层次结构，它不仅包括基本的微观道路网络层，还包括以节点代表热点交通区域的宏观网络层，包括中心城区、cbd或其他重要街区等。区域的特征和信息或社区在传统的交通规划转换理论或宏观特征分析中发挥着重要的作用, 而目前基于GCN的交通预测方法很少利用这一信息。 方案： 本文提出了一种新的交通预测层次图卷
论文笔记--Hierarchical Graph Convolution Networks for Traffic Forecasting
chenxino的博客
10-03 1106
Hierarchical Graph Convolution Networks for Traffic Forecasting (AAAI 21) Summary 作者提出了一种新的层次图卷积网络(HGCN)，通过操作微观和宏观交通图进行交通预测。 Problem Definition 目前基于GCN的交通预测方法都忽略了交通系统的自然层次结构，既包括道路网络的基本微观层，也包括路网的宏观层，区域或社区的特征和信息在传统的交通规划或宏观特征分析转化理论中发挥着重要作用。 问题定义 与一般的交通预测问题相同
[论文精读]Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder
最新发布
Sherlily的博客
04-12 785
计算机-人工智能-脑科学与类脑智能
Multi-task Learning Method for Hierarchical Time Series Forecasting
m0_37859875的博客
07-19 773
Multi-task Learning Method for Hierarchical Time Series Forecastingmotivation
NIPS2022上的图神经网络相关论文总结
jkokj23153的博客
09-20 3599
NIPS2022上的图神经网络相关论文总结
Relational inductive biases, deep learning, and graph networks（关系归纳偏差、深度学习和图形网络）
weixin_41697507的博客
07-15 4987
Relational inductive biases, deep learning, and graph networks Peter W. Battaglia1, Jessica B. Hamrick1, Victor Bapst1, Alvaro Sanchez-Gonzalez1, Vinicius Zambaldi1, Mateusz Malinowski1, Andrea Tacche...
论文阅读笔记：Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting
myblog
01-16 1729
标题论文标题：Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting 摘要 城市交通流预测是智能交通系统中的一个关键问题。由于动态城市交通条件所带来的复杂的时空依赖性和本质的不确定性，这是一个相当具有挑战性的问题。在现有的大多数方法中，基于局部空间邻近性，利用图神经网络（GNNs）在一个固定的图中获取空间相关性。然而，城市道路条件复杂多变，因此道路之间的相互作用也应该是动态的。此外，
基于图神经网络的时间序列预测、识别和异常检测相关的论文
2301_78829506的博客
07-23 1461
基于图神经网络的时间序列预测、识别和异常检测相关的论文
GCNH：Graph Convolutional Network Hashing 阅读笔记
qq_40680309的博客
04-25 1333
GCNH：Graph Convolutional Network Hashing 阅读笔记 摘要：摘要——最近，基于图的通过亲和力图学习保持相似性的二进制码的哈希算法在大规模图像检索中得到了广泛的研究。然而，大多数基于图的哈希方法诉诸于棘手的二进制二次程序，使它们无法扩展到大量数据。在本文中，我们提出了一种新的基于图卷积网络的哈希框架，称为GCNH，它直接在图像集和图像集上建立的亲和图上进行光谱卷积操作，自然产生保持相似性的二进制嵌入。GCNH与传统的图哈希方法有根本的不同，后者采用亲和图作为目标函数中唯
Hierarchical convolutional Features for visual tracking
autocyz
03-08 5988
Hierarchical convolutional Features for visual tracking算法概要这篇文章所提出的算法在本质上还是cf那一套框架，作者着重改变的是目标的特征描述。在以往的cf中，大家用的都是常用的物体特征描述，比如HOG，但是这种特征毕竟是manual的，当目标本身的appearance发生较大的改变时，manual型的特征不能很好的适应。注意到在物体检测识别领域
图神经网络论文阅读(十一) Hierarchical Graph Convolutional Networks for Semi-supervised，IJCAI2019
qq_36618444的博客
08-18 3476
本文作者来自中科大。 基于邻域聚集的模型大多比较浅，缺乏图池机制，使得模型无法获得足够的全局信息。为了增加接收域，我们提出了一种新的半监督节点分类的深度层次图卷积网络（Hierarchical Graph Convolutional Network (H-GCN)）。H-GCN首先将结构上相似的节点重复聚合为超节点，然后将粗化后的图细化为原始图，恢复每个节点的表示。所提出的粗化过程扩大了每个节点的接受域，从而可以捕获更多的全局信息，而不是仅仅聚合一跳或两跳的邻域信息。本文的方法其实就是图Encoder-De
论文笔记之： Hierarchical Convolutional Features for Visual Tracking
a1424262219的博客
10-01 426
Hierarchical Convolutional Features for Visual Tracking ICCV 2015 　　摘要：跟卢湖川老师的那个文章一样，本文也是利用深度学习各个 layer 之间提取出来的不同特征进行跟踪。因为各个层次提出来的 feature 具有不同的特征。并且将各个层级的特征用现有的 correlation filter 进行编码物体的...
循环神经网络（RNN）入门
热门推荐
二师兄
04-17 1万+
之前学习了卷积神经网络（CNN），在这里再简单介绍一下卷积神经网络的原理。一个典型的卷积神经网络为：输入 -> 卷积 -> RelU -> 池化 -> RelU -> 卷积 -> ... -> 池化 -> 全连接层 -> 输出对于CNN来说，并不是所有上下层神经元都能直接相连，而是通过“卷积核”作为中介。而通过max pooling等操作可以进...
【论文泛读13】交通预测的动态时空图卷积神经网络
scu-liu的博客
02-21 1156
贴一下汇总贴：论文阅读记录 论文链接：《Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting》 一、摘要 图卷积神经网络(GCNN)已经成为一个日益活跃的研究领域。它用一个基于节点距离的预定义拉普拉斯矩阵来建模图中节点的空间依赖关系。然而，在许多应用场景中，空间依赖关系会随着时间而改变，使用固定的拉普拉斯矩阵无法捕捉这种变化。为了追踪交通数据之间的空间依赖性，我们提出了一种动态时空GCNN来精
hierarchical attention networks for document classification
03-16
分层注意力网络用于文档分类。它是一种深度学习模型，可以对文本进行分类。该模型使用注意力机制来关注文本中的重要部分，并将其分层表示，以便更好地理解文本的含义。这种模型在自然语言处理领域得到了广泛应用，可以用于情感分析、文本分类等任务。
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
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