holdoulu-优快云博客

原创【论文翻译】TKDE 2024 | ST-MAN:用于交通预测的时空记忆增强的多级注意力网络

我们提出了一种用于细粒度交通预测的时空记忆增强多级注意力网络，命名为ST-MAN。具体来说，我们设计了一个时空记忆网络，用于编码和记忆细粒度的空间信息和典型的时间模式。然后，我们提出了一个多级注意力网络，明确地在不同的空间尺度（如网格和区域层次）和时间尺度（如日常和每周层次）下，建模局部的短期时空依赖和全局的长期时空依赖。此外，我们设计了一个外部组件，使用外部因素和空间嵌入作为输入，更高效地生成外部因素对位置的影响。最后，我们设计了一个端到端的框架，通过对比目标和监督目标的联合优化来提升模型性能。

2024-11-06 23:29:01 1845 4

原创【论文翻译】IJCAI 2019 | Graph WaveNet：用于深度时空图建模的Graph WaveNet

该论文提出了一种新的图神经网络架构——Graph WaveNet，用于空间-时间图建模。通过开发一种新的自适应依赖矩阵并通过节点嵌入进行学习，其模型能够精确捕获数据中的隐藏空间依赖关系。通过堆叠的扩张型一维卷积组件，其感受野随着层数的增加呈指数增长，Graph WaveNet 能够处理非常长的序列。这两个组件在统一的框架中无缝集成，整个框架通过端到端的方式进行学习。

2024-11-01 15:58:48 1239

原创 Kaggle手机验证解决办法

想用kaggle的免费GPU，需要先验证手机，结果发送验证码的时候出现“Your account cannot be phone verified. Please file a ticket to our Support team”的提示，一番搜索后下面这个方法实测是可以的。4.这个时候再去验证就没问题啦（记得科学上网~）→点击输入框右方的下载→下载完成后点击。→ 下载规则输入框中输入。3. 上方导航栏点击。

2024-10-30 14:06:18 1683 6

原创【论文翻译】KDD 2021 | ST-Norm：多变量时间序列预测的时空归一化

我们提出了两种归一化模块——时间归一化和空间归一化，分别提取了原始数据中的高频分量和局部分量。此外，这两个模块可以轻松地集成到Wavenet和Transformer等经典深度学习架构中。

2024-10-28 14:51:50 1009

原创【论文翻译】PredFormer:Transformer在时空预测任务中的有效性研究

PredFormer利用精心设计的门控Transformer模块，经过对包括全注意力、因子分解以及交错时空注意力在内的3D注意力机制的全面分析。

2024-10-25 23:13:26 3182 6

原创【论文翻译】ICLR 2018 | DCRNN：扩散卷积递归神经网络：数据驱动的交通预测

这是一种用于交通预测的深度学习框架，结合了交通流中的空间和时间依赖性。具体来说，DCRNN 通过图上的双向随机游走捕捉空间依赖，并使用带有调度采样的编码器-解码器架构来捕捉时间依赖性。

2024-10-20 22:46:26 1784

原创【论文翻译】HTVGNN:一种用于交通流量预测的混合时间变化图神经网络

首先提出了一种基于时间变化掩码增强的增强时序感知多头自注意力机制，能够更准确地建模交通网络中不同交通节点之间的动态时间依赖性。其次，我们提出了一种新的图学习策略，以同时学习道路网络中不同交通节点的静态和动态空间关联关系。同时，为了增强时间变化图学习的能力，设计了一种耦合图学习机制，能够耦合每个时间步长学习到的图。

2024-10-15 23:01:47 1871

原创【论文翻译】TITAN:用于交通流量预测的异构专家混合模型

我们提出了一种用于交通流量预测的异构专家混合模型（Heterogeneous Mixture of Experts, TITAN）。TITAN 最初由三个专家组成，专注于序列中心的建模。然后，我们设计了一种低秩自适应方法，使 TITAN 同时能够进行以变量为中心的建模。此外，我们使用基于先验知识的建模策略来监督门控过程，以确保准确的路由。

2024-10-13 21:27:17 1029 3

原创【论文翻译】CIKM 2023 | STAEformer：时空自适应嵌入使基础Transformer在交通预测中达到最先进性能 (SOTA)

在本研究中，我们提出了一种称为时空自适应嵌入的新组件，该组件在使用标准Transformer的情况下仍能产生卓越的结果。我们提出的时空自适应嵌入Transformer（STAEformer）在五个真实世界的交通预测数据集上达到了最先进的性能。

2024-10-11 21:30:46 1910

原创【论文翻译】IJCAI2024 | STD-MAE:用于时空预测的时空解耦掩码预训练框架

我们提出了一种新的自监督预训练框架——**时空解耦掩码预训练（STD-MAE）**，该框架采用两个解耦的掩码自编码器，在空间和时间维度上重构时空序列。通过这种重构学习到的丰富上下文表示可以无缝集成到任何架构的下游预测器中，从而增强它们的性能。

2024-09-26 16:57:44 2346

原创【论文翻译】NSTformer:线性注意力在时空预测中已经足够

我们提出将道路网络中不同时间步的节点作为独立的时空标记，输入到一个标准的Transformer中，以学习复杂的时空模式，并设计了STformer模型，达到了SOTA（当前最优）的效果。由于其二次复杂度，我们基于Nyström方法引入了NSTformer，以线性复杂度近似自注意力机制，但在某些情况下性能甚至略微优于STformer。

2024-09-18 22:38:48 931

原创【论文翻译】STGAFormer：基于时空门控注意力Transformer的交通流预测图神经网络

本文提出了一种**基于图神经网络的时空门控注意力Transformer（STGAFormer）模型**，利用Transformer的编码器架构。模型中的门控时间自注意力机制（一个新模块）可以提高模型进行长期预测的能力，并通过增强本地和全球时间特征的提取来处理突发的交通事件。此外，本文提出了一个距离空间自注意力模块，该模块通过阈值化选择性地从附近和远处区域中识别关键特征。这样，模型吸收关键空间信息的能力得以提升。我们的模型还结合了多种输入，包括交通流属性、周期性、邻近邻接矩阵和自适应邻接矩

2024-09-12 15:41:22 1465 2

原创【论文翻译】STGormer：导航时空异质性，一种用于交通预测的图Transformer方法

该论文提出了一种新颖的时空图Transformer模型，称为STGormer，用于交通预测。具体来说，该模型结合了交通数据中的属性和结构信息，能够有效地建模时空相关性，并通过混合专家模块捕捉交通流预测中的时空异质性。通过结合来自时空图的简单但有效的结构编码，该模型显著提高了预测准确性，并增强了Transformer理解图结构信息的能力。

2024-09-10 21:19:34 1210

原创【论文翻译】AAAI2023 | PDFormer:用于交通流量预测的传播延迟感知的动态长距离Transformer

我们提出了一种新颖的、考虑传播时延的动态长程Transformer模型，命名为PDFormer，用于精确的交通流预测。具体来说，我们设计了一个空间自注意力模块来捕捉动态的空间依赖性。然后，引入了两个图掩码矩阵，突出显示短程和长程视角的空间依赖性。此外，提出了一个延迟感知的特征变换模块，使PDFormer能够明确地建模空间信息传播中的时间延迟。在六个真实世界的公共交通数据集上的广泛实验结果表明，我们的方法不仅达到了最先进的性能，而且还表现出了竞争性的计算效率。

2024-09-06 16:21:24 2732

原创【论文翻译】ICDE2024 | MUSE-Net: Disentangling Multi-Periodicity for Traffic Flow Forecasting

在本文中，我们提出了一种名为MUSE-Net的新型解纠缠学习网络，旨在通过同时分解交通流量中多周期模式的独特性和交互性，来克服纠缠学习的局限性。基于互信息理论，我们首先学习并解开多周期模式中的交通流量的独特和交互表示。然后，我们利用语义推动和语义拉动正则化来鼓励所学的表示独立且具有信息性。此外，我们提出了一种下界估计器，以可操作地优化具有多个变量的解纠缠问题，并提出了一种用于交通预测的联合训练模型。对多个真实世界交通数据集的实验结果证明了所提框架的有效性。

2024-08-28 10:52:51 853

原创【论文翻译】PM-DMNet:用于双模式交通预测的模式匹配动态记忆网络

近年来，深度学习在交通预测领域越来越受到关注。现有的交通预测模型通常依赖于具有O(N²)复杂度的GCN或注意力机制来动态提取交通节点特征，这些方法效率低下且不够轻量。此外，这些模型通常只利用历史数据进行预测，而没有考虑目标信息对预测的影响。为了解决这些问题，我们提出了一种模式匹配动态记忆网络（PM-DMNet）。PM-DMNet采用了一种新颖的动态记忆网络，以仅O(N)的复杂度捕捉交通模式特征，大大降低了计算开销，同时实现了优异的性能。

2024-08-27 18:16:56 611

原创【论文翻译】ICDE2023 | Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting

本文提出了一种名为动态超图结构学习（DyHSL）的新模型，用于交通流预测。DyHSL通过超图结构学习和超图卷积捕捉交通网络中的复杂关系，还引入了交互式图卷积模块来探索高阶时空关系。实验结果表明，DyHSL在四个广泛使用的交通数据集上均表现优异，且在参数和计算效率方面也具有竞争力。该模型有效地处理了非配对关系和高阶互动关系，使得交通流预测更加准确。

2024-07-18 22:56:21 1330 2

原创【论文翻译】COOL:A Conjoint Perspective on Spatio-Temporal Graph Neural Network for Traffic Forecasting

论文提出了一种名为COOL的交通流量预测方法，利用联合时空图神经网络捕捉高阶时空关系。通过构建异构图和动态关系图，并采用多阶和多尺度自注意力解码器，COOL在多个真实数据集上表现优于现有模型，尤其在长时间预测方面。

2024-07-18 12:49:30 1039 2

原创 AttributeError: ‘set‘ object has no attribute ‘items‘ 报错解决方法

在学习python爬取数据的时候遇到这样的错误修改方法如下：源代码为headers = {'user-agent : Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/99.0.4844.51 Safari/537.36'}正确应该为headers = {'user-agent':'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/

2022-03-16 18:15:34 3917

原创 from py2neo import Graph,Node 报错时解决办法

考虑是没有安装py2neopip install py2neo==5.0b1 #可以安装更高版本如果出现如下提示可以尝试一下命令pip install --upgrade py2neo #安装最新稳定版本应该是成功了，反正看见之前的也不报错了

2022-03-15 18:56:09 2440

原创＜project标红报错 Cannot access alimaven (http；//maven.aliyun.com/nexus/content/repositories/central/)

整合mybatis时，pom文件中<project标红报错此时:File->Settings->搜索Maven 取消勾选Work office

2021-11-02 19:56:47 684

原创 CE植物大战僵尸——阳光值基址寻找

阳光值分析一、阳光值1.扫描“阳光值”的内存地址并能修改2.阳光值的内存基址3.阳光值的内存访问示意图二、随机阳光1.寻找随机阳光的基址一、阳光值1.扫描“阳光值”的内存地址并能修改1.输入阳光初始值，扫描类型选择“精确数值”，点击“首次扫描”。2.捡一个阳光或者消耗阳光，输入变化后的阳光值，点击“再次扫描”3.将扫出来的地址添加到下方，双击数值修改数值。2.阳光值的内存基址1.先找到阳光地址，右键选择“找出是什么访问了这个地址”，双击指令查看详细信息2.将该地址15B7C188粘贴

2021-10-19 11:26:23 6502

原创 debug基本命令及全称

Debug基本命令一、debug命令全称二、debug基本指令1.r命令(Register) 显示和修改寄存器2.d命令(Dump) 内存16进制显示3.e命令(Enter) 修改内存字节4.u命令(Unassemble) 反汇编5.a命令(Assemble) 逐行汇编6.t命令(Trace) 跟踪执行7.h指令(Hex)十六进制一、debug命令全称二、debug基本指令1.r命令(Register) 显示和修改寄存器寄存器中的数据信息进行查看、修改r ax：对寄存器ax当中的数据信息进

2021-10-19 11:03:41 13538 2

转载 8086CPU的14个寄存器全称

转载于： https://blog.youkuaiyun.com/knxw0001/article/details/7249248.通用寄存器：ax——accumulate register——累加器bx——based register——基地址寄存器cx——count register——计数器dx——data registered——数据寄存器段寄存器：cs——code segment——代码段ds——data segment——数据段ss——stack segment——栈段寄存器es——ex

2021-10-15 17:24:55 1885

double_piga的博客