城市计算
文章平均质量分 67
西西弗的小蚂蚁
不要辜负这美好的时光!
展开
-
Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey
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。原创 2023-08-23 18:53:18 · 54 阅读 · 0 评论 -
Self-Supervised Spatial-Temporal Bottleneck Attentive Network for Efficient Long-term Traffic Foreca
近年来提出的时空预测模型在短期交通预测中表现良好,但在长期交通预测中存在两个问题。首先,现有的交通预测模型在有效性和效率上的可扩展性不理想,即随着预测时间跨度的扩大,现有模型要么无法捕捉交通数据的长期时空动态,要么以二次计算复杂度为代价获得全局接受域;其次,模型对高质量训练数据的强烈需求与模型的泛化能力之间的矛盾也是我们必须面对的挑战。在九种场景下的交通速度预测和交通流预测等现实长期交通预测任务上的大量实验表明,SSTBAN不仅整体性能最佳,而且具有良好的计算效率和数据利用效率。原创 2023-08-03 15:32:36 · 27 阅读 · 0 评论 -
Uncertainty Quantification for Traffic Forecasting: A Unified Approach
在这项工作中,我们特别关注量化交通预测的不确定性。为了实现这一目标,我们开发了深度时空不确定性量化(DeepSTUQ),它可以。对于认知不确定性的估计,我们分别通过集成蒙特卡罗dropout和自适应加权平均再训练方法,将变分推理和深度集成的优点结合起来。随后,建立了两个独立的最大化异构对数似然的子神经网络来估计任意不确定性。在四个公共数据集上进行了大量的实验,实证结果表明,所提出的方法在点预测和不确定性量化方面都优于现有的方法。最后,提出了一种基于温度标度的后处理校准方法,提高了模型估计不确定性的泛化能。原创 2023-08-03 15:04:04 · 11 阅读 · 0 评论 -
NEIST: A Neural-Enhanced Index for Spatio-Temporal Queries
NEIST主要由三个部分组成:轨迹预测模型、轨迹后缀树索引和基于时隙的tpr树(TS-TPR)。1)它的现有轨迹被用作神经模型的输入,神经模型将生成对轨迹的预测。如果一个新对象与由后缀树索引的对象具有相似的轨迹,我们直接返回预测结果,这大大减少了预测开销。为了减少预测开销,进一步构建后缀树来索引具有相似后缀的轨迹,从而将给定相似性范围内的相似对象分组在一起以共享相同的预测结果。三个关键点:1)是神经网络轨迹预测。3)将神经模型或后缀树索引生成的预测结果插入到TS-TPR中,以回答预测的时空查询。原创 2023-07-13 23:51:03 · 116 阅读 · 0 评论 -
INCREASE: Inductive Graph Representation Learning for Spatio-Temporal Kriging
我们首先根据未知节点与已知节点每一时间步的差异性来确定输入到GRU网络中的未知节点表示的重要性,其次根据差异性表示对历史时间步的重要性进行调整,最后将两部分重要性表示结合到GRU神经网络的输入门及遗忘门中来进行关系感知GRU网络的计算,使其能够在多重异质关系中根据邻居节点在时间维度上的信息流动模式指导未知节点时间相关性的建模。,提出了空间聚合模块和时序建模模块,能够在空间维度上聚合多重异质关系的邻居节点信息得到未知节点的特征表示,并在时间维度上根据邻居节点的信息流动模式指导未知节点时间相关性的建模。原创 2023-07-06 11:40:06 · 180 阅读 · 0 评论 -
PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation
作为新兴的强大生成模型,扩散概率模型可用于以观测为条件的缺失值填补,避免从不准确的历史填补中推断缺失值。然而,将扩散模型应用于时空填充时,条件信息的构建和利用是不可避免的挑战。针对扩散模型修复时条件信息构建和利用困难的问题,设计了一种专门的噪声预测模型来增强和提取条件特征。在本节中,我们首先介绍扩散模型如何应用于时空填补,然后介绍噪声预测模型的细节结构,这是扩散模型成功的关键。PriSTI在不同真实时空数据的各种缺失模式下均优于现有的填补方法,并能有效处理高缺失率和传感器故障等场景。原创 2023-03-07 21:45:43 · 413 阅读 · 1 评论 -
TITS2022
Semi-Supervised Federated Learning for Travel Mode Identification From GPS Trajectories随着各种基于GPS的智能设备的发展,GPS轨迹作为出行模式识别的重要数据源。但是,这些数据直接集成了用户的隐私信息,从而阻碍了用户与第三方共享数据。另一方面,现有的识别方法严重依赖于各自的人工出行方式标注,其生产效率低,容易出错。在本文中,我们提出了一种半监督联邦学习(SSFL)框架,可以在不使用用户原始轨迹数据或依赖显著数据标签的情况原创 2022-09-25 12:24:23 · 20 阅读 · 0 评论