.png){kind=icon}
返回
TSGDiff: Traffic state generative diffusion model using multi-source information fusion
.png){kind=icon}
PRE
AI
DOI：10.1016/j.trc.2025.105081.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确分析和预测交通状态是智能交通系统的基本且关键要素，在提升交通系统效率与安全方面发挥着重要作用。深度学习的进步推动了交通预测的发展。然而，一些传统预测方法主要依赖历史交通数据按序预测未来交通趋势，尽管部分方法也融入了天气、星期几等影响因素作为协变量，但往往缺乏统一的融合方法来建模这些协变量对未来交通状态的影响，且在长期预测中易产生误差累积。为解决这些挑战，我们提出TSGDiff，一种基于多源信息融合的新型交通状态生成扩散模型。该方法利用创新的扩散模型框架，整合交通数据、天气、星期几等多源信息，以提升交通状态预测的准确性。TSGDiff通过基于注意力的时空提取模块和交通语义编码模块，分别将历史时空信息及未来环境信息转化为特征表示，这些特征表示作为扩散模型的引导条件生成交通状态。通过将预测时间跨度作为输入参数，TSGDiff可直接生成未来交通状态，从而避免迭代预测方法固有的误差累积。为使扩散模型适应图结构道路网络数据，我们引入图注意力U-Net（GAUNet）以捕捉交通数据中的空间相关性。在真实北京交通数据集上的实验表明，TSGDiff在长期预测中显著优于基线模型，在短期预测中表现相当。
Keyword:
Generative model
Traffic state generation
Multi-source information
Conditional diffusion model
Speed prediction
期刊
IF:
7.9
论文数:
4.9K
被引数:
3.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
A novel spatio-temporal generative inference network for predicting the long-term highway traffic speed一种用于预测长期公路交通速度的新型时空生成推理网络
PREAI
分享收藏Multi-Source Information Fusion Graph Convolution Network for traffic flow prediction面向交通流预测的多源信息融合图卷积网络
PREAI
分享收藏ST-GRAT: A Novel Spatio-temporal Graph Attention Networks for Accurately Forecasting Dynamically Changing Road SpeedSt-grat: 一种新的时空图注意网络，用于准确预测动态变化的道路速度
OAAI
OAAI分享收藏PGCN: Progressive Graph Convolutional Networks for Spatial-Temporal Traffic ForecastingPGCN: 用于时空交通预测的渐进图卷积网络
PREAI
分享收藏分享收藏Graph transformer based dynamic multiple graph convolution networks for traffic flow forecastingOAAI
OAAI分享收藏
查看更多内容