顶会AAAI2021时空数据相关文章汇总

顶会AAAI2021时空数据相关文章汇总

Traffic Flow Prediction with Vehicle Trajectories

本文提出了一个时空深度学习框架,基于轨迹的图形神经网络(TrGNN),从历史车辆轨迹中挖掘潜在的流量因果关系,并将其纳入道路交通预测。研究了车辆轨迹转移模式,通过沿道路网络的图传播明确建模空间交通需求;设计了一种基于邻域交通状态的时间依赖性注意机制; 最后,将多步预测融合到图神经网络设计中。提出的方法与一个真实的轨迹数据集评估,实验结果表明,在正常流量的所有指标上,与最先进的方法相比,所提出的TrGNN模型的误差减少了5%以上,在高峰时间或异常事件的非典型流量中,误差减少了14%。轨迹转换的优点特别表现在推测流动的高波动和非周期性流动模式。


Robust Spatio-Temporal Purchase Prediction via Deep Meta Learning

无论是线上还是线下零售业,购物预测都是一项必不可少的任务,特别是在大型购物节期间,强大的促销活动会极大地推动消费。

对于商家来说,预测这样的销售高峰并做好充分的准备是很重要的。这是一个具有挑战性的问题,因为购物节期间的购买模式与通常情况有很大的不同,而且在历史数据中也很罕见。由于数据样本极其稀少,以及无法捕捉城市复杂的宏观时空依赖性,现有的大多数方法都无法解决这一问题。为了解决这个问题,我们提出了时空购物节购物预测的元学习预测(STMP)模型。STMP是一种基于元学习的时空多任务深度生成模型。它采用一种具有少样本学习能力的元学习框架来捕获时空数据表示。然后生成组件使用提取的时空表示和输入数据来推断预测结果。

大量实验证明了STMP的元学习泛化能力。STMP在所有情况下都优于baseline,这表明了我们的模型的有效性。


FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting

多元时间序列预测是一个重要的问题,在交通管理、蜂窝网络配置、定量金融等领域都有广泛的应用。近年来,研究人员已经证明了应用深度学习架构解决这些问题的价值。当有一个图表可以捕获时间序列之间的关系时,就会出现这种问题的特殊情况。在本文中,我们提出了一种新的学习架构,在不需要了解图的情况下,它可以达到与现有最好的算法相当或更好的性能。我们所提架构的关键元素是(i)通过一个深度的全连接架构共同执行回溯和预测;(ii)对多个以连续残差为目标的预测模块进行叠加;(iii)学习堆栈每一层单独的因果关系图。我们可以把每一层看作是预测时间序列的一个组成部分;因果图在不同层次上的不同性质可以解释为不同成分的多元预测关系不同。对两个公共交通网络数据集的实验结果表明了我们的方法的价值,消融研究也证实了该体系结构中每个元素的重要性。


Spatial-­‐Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting

交通流的时空数据预测是一项具有挑战性的任务,因为复杂的空间依赖性和不同道路之间的时空模式的动态趋势。现有框架通常利用给定的空间邻接图和复杂的机制来对空间和时间相关性进行建模。但是,具有不完整相邻连接的给定空间图结构的有限表示可能会限制那些模型的有效时空依赖性学习。此外,在处理复杂的时空数据时,现有方法难以解决以下几个问题:它们通常使用单独的模块进行时空相关性,或者它们仅使用捕获局部或全局异构依赖项的独立组件。为了克服这些局限性,论文中提出了一种新颖的时空融合图神经网络(STFGNN)进行交通流量预测。首先,提出了一种生成“时间图”的数据驱动方法,以补偿空间图可能无法反映的几种现有相关性。SFTGNN可以通过对各种时空图进行并行处理的新颖融合操作,有效地学习隐藏的时空依赖性。同时,通过将该融合图模块和新颖的门控卷积模块集成到一个统一的网络层中,SFTGNN可以通过学习更多的时空相关性来处理长序列,并将这些层堆叠在一起。在几个公开交通数据集上的实验结果表明,与其他基准相比,新的方法能够实现最佳的性能。



Hierarchically and Cooperatively Learning Traffic Signal Control

Traffic Flow Forecasting with Spatial Temporal Graph Diffusion Network

Hierarchical Graph Convolution Network for Traffic Forecasting

Kan Guo, Yongli Hu, Yanfeng Sun, Sean Qian, Junbin Gao, Baocai Yin

这边文章目前没有找到,如果有人下载了,可以评论在文章下面。

明天会更新剩余的几篇,后续每一篇都会专门详细解释。

更多相关专业文章,欢迎关注公众号【图与交通】!

可以添加微信(微信号: professor_huangdehua ),拉你进专业交流群。

发布于 2021-03-11 19:48