交通预见未来(22): 基于动态时空图卷积神经网络的交通流预测

1、文章信息

《Dynamic Spatial-Temporal Graph Convolutional Neural Networks for Traffic Forecasting》。

湖南大学信息科学与工程学院2019年初发在AAAI顶会上的一篇文章。

2、摘要

图卷积神经网络能够利用基于节点距离的预先定义的拉普拉斯矩阵，对一张图中节点的空间依赖关系进行建模。然而，在许多应用场景中，空间依赖关系会随着时间而变化，使用固定的拉普拉斯矩阵不能捕捉这种变化。为了跟踪交通数据之间的空间依赖关系，我们提出了一种动态的时空GCNN来进行交通预测，核心是对拉普拉斯矩阵进行动态分析。为了在参数学习过程中降低复杂度，我们将张量分解融入到深度学习框架中，实时交通数据被分解为一个稳定的、依赖于长期时空关系的全局分量和一个捕捉短期波动的局部分量。在理论推导的基础上，提出了一种新的估计具有上述两种分量的图的动态拉普拉斯矩阵的设计方法，并介绍了设计依据。利用两个数据集评价结果表明，该网络的表现比基准模型提高了25%。

3、简介

GCNN很大程度上依赖于图的拉普拉斯矩阵，被定义为节点度对角矩阵与邻接矩阵之差。以前的GCNN研究假设拉普拉斯矩阵严格不变，即输入图的邻接矩阵是常数。然而我们之前的研究表明，在不同的时间跨度内，交通模式之间存在着巨大的差异。此外，每天都可能发生交通事故，这也会影响到路网中路段之间的关系。这些因素会导致邻接矩阵的动态变化，从而影响拉普拉斯矩阵。因此，图的拉普拉斯矩阵可能是时变的。

为了解决上述问题，提出了一种新的时空结构-动态GCNN (DGCNN)，来预测整个网络的交通速度，与现有的基于GCNN相比，本文的贡献如下:

（1）将张量分解引入到深度学习框架中，从交通数据样本中提取全局和局部分量。从频率分析可以看出，一个时间跨度内的全网交通样本由两部分组成:一个是由路网结构决定的全局分量，另一个是由特定时段或交通事件决定的局部分量。文章使用一个特定的损失函数训练张量分解层。

（2）为了根据全局和局部分量动态学习特定时刻的拉普拉斯矩阵，设计了一种基于深度学习的拉普拉斯矩阵估计器，并给出了详细的理论推导和设计依据。将实时估计的拉普拉斯矩阵输入到图卷积层进行预测。

(22) 基于动态时空图卷积神经网络的交通流预测相关推荐

⑭【动态时空图卷积网络 · 注意力 · 交通速度预测】时空依赖关系挖掘 | 动态时空建模 | 智能交通系统 |
所谓成功,就是用自己的方式度过人生. ----<明朝那些事儿>作者,当年明月
交通流预测python代码_Python 3 amp; Keras 实现基于神经网络的交通流预测
交通流量预测在智能交通(ITS)系统中占有重要地位,是实现交通诱导的前提.准确实时的短时交通流预测有助于更好的分析路网交通状况,对路网交通规划和交通优化控制有非常重要的作用.随着交通数据采集技术的不断 ...
基于小波神经网络的交通流预测
%该代码为基于小波神经网络的交通流预测代码 % 清空环境变量 clc clear %网络参数配置 load traffic_flux input output input_test output_te ...
(5)基于深度学习的短时道路交通流预测
交通预见未来 (5)基于深度学习的短时道路交通流预测 1.文章信息 <Short-Term Traffic Flow Prediction with Conv-LSTM>. 这篇文章是一篇 ...
基于交通图卷积长短时记忆网络的网络级交通流预测
文章信息本周阅读的论文是题目为<Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework ...
python交通流预测算法_基于机器学习的交通流预测技术的研究与应用
摘要: 随着城市化进程的加快,交通系统的智能化迫在眉睫.作为智能交通系统的重要组成部分,短时交通流预测也得到了迅速的发展,而如何提升短时交通流预测的精度,保障智能交通系统的高效运行,一直是学者们研究的 ...
【论文阅读】Attention Based Spatial-Temporal GCN...Traffic Flow Forecasting[基于注意力的时空图卷积网络交通流预测]（1）
[论文阅读]Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting[基于注 ...
STGCN时空图卷积网络:用于交通预测的深度学习框架
时空图卷积网络:用于交通预测的深度学习框架及时准确的交通预测对城市交通控制和引导至关重要.由于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.本文提 ...
【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（1）
[论文阅读]Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecastin ...
面向睡眠阶段分类的自适应时空图卷积神经网络
©PaperWeekly 原创 · 作者|宁晓军学校|北京交通大学硕士生研究方向|时间序列分析与挖掘:图神经网络本文介绍一篇北京交通大学网络科学与智能系统研究所贾子钰博士等人,于 IJCAI 2 ...

(22) 基于动态时空图卷积神经网络的交通流预测

1、文章信息

2、摘要

3、简介

(22) 基于动态时空图卷积神经网络的交通流预测相关推荐

最新文章

热门文章