- 博客(4)
- 收藏
- 关注
RSS订阅原创 ST-Camba:一种用于有效交通预测的线性复杂度时空图融合状态空间模型
在每个时间步，所有节点的特征表示首先通过添加可学习的空间调整嵌入进行增强，然后通过不同的线性变换投影到不同的子空间以获得Query、Key和Value矩阵。：模块首先接收来自前置自适应空间结构注入器（ASS Injector）输出的富含空间信息的时空特征张量，通过一个线性投影层将输入特征映射到两倍于内部维度的隐空间，随后在通道维度将该高维特征切分为两个并行的信号流：一个是用于后续深度时空演化的主处理分支（通常记为x），另一个是用于保留原始信号特征以防止信息遗忘的残差门控分支（通常记为z)。
2025-11-23 16:53:14
249
原创 STG-Mamba: Spatial-Temporal Graph Learning viaSelective State Space Model
STG-Mamba首次引入了基于深度学习的选择性状态空间模型（SSSM）用于时空图学习任务。我们提出了STG-Mamba，它利用现代SSSM进行准确有效的STG预测。在STG-Mamba中，ST-S3 M模块促进了输入依赖图进化和特征选择，成功地将STG网络与SSSM集成在一起。
2025-10-11 11:45:53
1354
原创 交通流数据集：PeMs数据集详解与处理方法(包含数据集链接)
本文将原始的PEMS交通流数据集，转化为可直接用于深度学习模型训练的规范化格式的全过程。我们的旅程始于对数据的探索与可视化，以理解其包含的流量、速度、占有率等多维时序特征，以及传感器节点构成的空间网络结构。在此基础上，我们依次完成了关键的数据预处理步骤：通过线性插值修复了数据中的缺失值，并基于训练集对各个特征进行了标准化。针对数据的空间维度，我们利用传感器间的物理距离，通过高斯核函数与对称归一化技术，精心构建了能够反映路网拓扑关系的图邻接矩阵。而在时间维度上，我们采用滑窗法将切片为大量的监督学习样本。
2025-10-02 15:59:01
2446
原创 STPGNN: Spatio-Temporal Pivotal Graph Neural Networks for Traffic Flow Forecasting
STPGNN模型针对交通路网中少数枢纽节点时空依赖复杂的问题，创新性地采用枢纽识别与双路并行处理策略。通过PIM模块基于时移相似度矩阵识别关键枢纽节点，构建枢纽子图；在PGCM模块对枢纽节点进行精细化的同步时空卷积，同时在非枢纽节点采用高效图卷积与线性时间卷积。该方法将复杂度从O(TN²)降至O(TKN)，在7个数据集上验证了其优越性能，平衡了精度与效率。消融实验表明枢纽识别和时空同步卷积是关键，经验证最优枢纽比例约为20%。
2025-10-01 23:10:43
1308
10
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人