myblog

交通预测

arxiv上的一篇文章，标题为Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting用于可解释多元时间序列预测的时间融合变换器摘要多元预测通常包含复杂的输入组合，包括静态协变量（即时不变）、已知的未来输入和其他仅在过去观察到的外源时间序列，而没有任何关于它们如何与目标相互作用的先验信息。在本文中，我们介绍了时态融合变换器（TFT）——一种新的基于注意的体系结构，它将高性能的多元预测与时态动

标题论文标题：Spatiotemporal Adaptive Gated Graph Convolution Network for Urban Traffic Flow Forecasting摘要城市交通流预测是智能交通系统中的一个关键问题。由于动态城市交通条件所带来的复杂的时空依赖性和本质的不确定性，这是一个相当具有挑战性的问题。在现有的大多数方法中，基于局部空间邻近性，利用图神经网络（GNNs）在一个固定的图中获取空间相关性。然而，城市道路条件复杂多变，因此道路之间的相互作用也应该是动态的。此外，

Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting问题：交通速度预测。数据集PeMS，METR-LA这两个数据集适合打榜动机：（1） 道路之间的时空依赖性和复杂的动态变化趋势.现有的工作通过给定图结构会限制时空依赖的学习。（这点与ijcai2019,Graph waveNet;KDD 2020MTGNN，NIPS2020,ACGRN论点一致）（2） 在解决复杂的时空数据时，现有的方法已经过时了：它们通常

标题：Think Globally, Act Locally: A Deep Neural Network Approach to High-Dimensional Time Series Forecasting提出了DeepGLO模型,做时间序列预测的方法github地址：https://github.com/rajatsen91/deepglo指出了以往的方法不足在于：AR,ARIMA等方法无法从整个数据集共享的时间模式中获益；RNN可以捕获到非线性的时间依赖，但遭受到梯度消失问题；TCN

论文阅读Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting问题：多元变量预测，应该分别考虑变量内和变量间的关系；该模型适用于所有没有预先定义拓扑的多元时间序列；TCN方法StemGNN 图傅里叶变换（GFT），可以捕获多元时间变量之间的潜在关系，GFT用来捕获时间序列内部的关联，然而对序列间的关系捕获的不够； 离散傅里叶变换，它捕获周期性数据中的重复模式或不同时间戳之间的自相关特

**标题：**Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning简介：KDD 2019的论文，考虑了节点和边的元信息来做预测**解决的问题：**已有的ST模型大体包括特征提取模块、预测模块，对于预测模块关注的少，文章认为，不同的区域，如办公区，住宅区在早晚高峰会有不同的流量模式(居民区在早高峰outflow多，办公区在早高峰inflow较高，而晚高峰则相反)。文章想区对不同功能的区域定制一个预测模型。其

交通论文阅读与总结最近在找点，做一个记录，跟的主要是郑宇老师团队的TaxiBJ和BikeNYC数据集上的论文，欢迎交流。 论文 时间关联 空间关联 其他（特点与不足） 输入数据上的特点 STGCN 在通道维度上使用，一维卷积， GLU控制信息流。Tin=12,Tout =1 二阶切比雪肤图卷积 静态图

论文简介滴滴出行发表在KDD 2020上的一篇论文，原文标题为：HetETA: Heterogeneous Information Network Embedding for Estimating Time of Arrival摘要预计到达时间（ETA）是智能交通中的一项关键任务，包括时空数据。很少有方法采用图结构对ETA进行建模，使用异质图结构的工作更少。本文介绍了一个名为HetETA框架利用异质图信息建模ETA任务。我们将道路图转化为一个多关系网络，并引入一个基于车辆轨迹的网络来共同考虑交通行为模

论文简介：KDD 2020的一篇论文，作者还写过一篇Graph WalveNet。摘要：文章旨在建模多变量时间序列预测问题，现有的方法无法充分利用变量对之间潜在的空间相关性。现有的GNN方法需要提前定义好的图结构，这不能够用于建模多元时间序列，因为这种序列的依赖关系未知。本文提出了一个用于多元时间序列的框架，可以通过一个图学习模块自动提取变量之间的单向关系，变量属性之类的外部信息也可以容易地集成进去。使用了一个全新的mix-hop的前向传播层和扩张的起始层进一步提取时间和空间的关联。前言：介绍了

论文简介原文标题：How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey简介：这是一篇关于交通方面的综述，文章介绍了交通方面的几个方向、挑战、和技术等。问题交通方面的问题主要包括以下几类，交通拥堵、旅行需求、交通安全、交通监管和自动驾驶，它们对应的研究方向如蓝色方框所示。交通问题存在相同的挑战，时间相关性和空间相关性。空间相关性：可以是相邻的区域也可以是距离远的区域，一般来说，交通流量预

新南威尔士大学发表在AAAI 2019的一篇论文，题目标题为STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting，谷歌学术目前引用量为10。Abstract现存的问题：多步乘车需求预测是车辆共享服务中的一个重要问题，其非线性和动态的时空依赖性具有挑战性。本文的解决方案：本文提出一种基于图的模型来建模城市的多步乘车需求预测，并使用分层的卷积结构来同时捕获空间和时间关联

论文背景悉尼科技大学发表在IJCAI 2019上的一篇论文，标题为Graph WaveNet for Deep Spatial-Temporal Graph Modeling，目前谷歌学术引用量41。文章指出，现有的工作在固定的图结构上提取空间特征，认为实体间的关系是预先定义好的，这些方法不能有效地去捕捉时间趋势，RNN和CNN的方法不能处理长时间序列。相关工作部分，文章介绍了用于时空图建模的交通预测方法，如何来同时捕获空间和时间上的依赖是一个重要问题。已有的方法大多基于RNN或CNN来捕获时间

论文简介北大发表在IJCAI 2018的一篇论文，论文题目：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting，谷歌学术被引量296。论文背景实时交通预测是一个重要而复杂的问题，因为其不仅存在高度非线性和复杂的交通流，传统的预测方法经常忽视了时间和空间上的依赖。交通预测研究中，通常选择速度、流量、密度来显示和监视当前的交通状态，根据预测的长度，可以分为短期交通预

学习