.png){kind=icon}
返回
Context based spatial-temporal graph convolutional networks for traffic prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2024.112933.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通预测在交通管理和出行规划中发挥着重要作用。受自然语言处理的启发，本文将交通传感器类比为单词，将传感器数据的交通特征类比为单词含义。瓶颈点上下游的交通状况影响其流量，类似于语境影响语句含义的方式。基于此类比，本文构建了道路语义图，并提出了一种基于上下文的时空图卷积网络（CSTGCN）模型用于交通预测。首先，本文引入动态时间规整（DTW）计算节点的交通特征相似性，构建道路语义图，并挖掘和利用相似交通模式中的隐含信息。其次，基于道路语义图，我们构建了一个自适应时空图注意力网络（GAT）组件。该组件设计了一个自适应函数以提取变化的时空特征，实现了多阶邻域时空特征在不同时期的动态捕捉。此外，我们基于卷积神经网络（CNN）设计了一个地理-语义融合模块（GS-CNN）。该模块结合传感器的实时交通数据，通过为不同特征分配权重，实现了时空特征的多维动态融合。实验表明，CSTGCN能够深入挖掘道路网络中传感器的时空相关性，且该模型在交通预测性能方面相较于当前基线方法具有更显著的精度提升。
Keyword:
Traffic prediction
Road semantic graph
Graph attention networks
Dynamic spatial characteristics
Point of interest
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
Hierarchical Spatio-Temporal Graph Convolutional Networks and Transformer Network for Traffic Flow Forecasting用于交通流预测的层次时空图卷积网络和变压器网络
PREAI
分享收藏A Short-Term Traffic Flow Prediction Model Based on an Improved Gate Recurrent Unit Neural Network基于改进Gate递归单元神经网络的短时交通流预测模型
PREAI
分享收藏A Decomposition Dynamic graph convolutional recurrent network for traffic forecasting用于流量预测的分解动态图卷积递归网络.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏DiffTAD: Denoising diffusion probabilistic models for vehicle trajectory anomaly detectionDiffTAD: 用于车辆轨迹异常检测的去噪扩散概率模型
PREAI
分享收藏
查看更多内容