.png){kind=icon}
返回
Traffic flow prediction via dynamic hypergraph learning
.png){kind=icon}
PRE
AI
DOI：10.1371/journal.pone.0347846.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在智能交通系统领域，高效准确地预测交通流量及其演变趋势已成为一项重要且紧迫的研究任务。图神经网络已被广泛应用于交通流量预测问题，但许多方法忽略了交通流量与交通节点之间的高阶模式关系。为解决上述问题，我们提出了一种基于Transformer的超图卷积网络（TSHGCN）用于交通流量预测。首先，我们采用超图结构更有效地捕捉交通节点之间的高阶非线性空间相关性。然后，提出了一种改进的Transformer网络，通过结合时间蒸馏机制和自注意力网络，准确捕捉不同交通节点间的全局时间特征。此外，我们通过高效的通道注意力机制和多尺度时间信息融合机制整合上述时空建模，精确提取时空特征并实现交通流量的最终精细表示。在加利福尼亚数据集（PeMSD4和PeMSD8）上进行5次独立随机种子运行和严格统计测试的实验表明，在统一实验设置下，TSHGCN模型在核心指标（MAE、RMSE、MAPE）上达到最佳性能，且相较于当前最优基线模型的性能提升具有统计学意义。
期刊
IF:
2.6
论文数:
2.6W
被引数:
81.6W
机构
引用论文
Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting基于注意力的时空图卷积网络交通流预测
OAAI
OAAI分享收藏MTGNN: Multi-Task Graph Neural Network based few-shot learning for disease similarity measurement.png)
METHODS
METHODSIF4.3
PREAI
分享收藏分享收藏分享收藏Performance evaluation of the deep learning approach for traffic flow prediction at different times
PREAI
分享收藏ECA-Net: Efficient Channel Attention for Deep Convolutional Neural NetworksEca-net: 深度卷积神经网络的高效信道关注OAAI
OAAI分享收藏
查看更多内容