- 博客(65)
- 资源 (10)
- 收藏
- 关注
RSS订阅原创 SDSINet: A spatiotemporal dual-scale interaction network for traffic prediction
准确的交通预测对于智慧城市的发展至关重要。然而，现有的时空建模方法在处理复杂的时间依赖性、捕捉多尺度空间关系、建模时空特征之间的交互等方面存在局限性。这些挑战是由于对扩展历史数据、固定邻接矩阵的依赖以及缺乏动态时空交互建模而产生的。为了解决上述问题，我们提出了时空双尺度交互网络（SDSINet）。SDSINet引入了一种隐式时态信息增强方法，将时态标识信息嵌入到特征表示中，减少了计算开销，改善了全局时态特征的建模。
2025-03-22 11:43:04
200
2
原创 当时空相遇时：基于高效谱图注意力网络的解纠缠流量预测
在给定真实的交通路网和路网上分布的传感器的情况下，将路网表示为一个有向图GVEAG =(V,E,A)GVEA来预测交通量，其中VVV是路网上传感器的集合，EEE是路网上相邻传感器之间的边的集合，A∈RN×NA∈RN×N对应于GGG的邻接矩阵.交通预测问题的目的是通过已部署的传感器记录的已知历史交通数据来预测交通路网上的未来交通。具体地，xti∈RCxti∈RC，其中C1C = 1C1，表示在时间步长t处交通网络上的第i。
2025-03-20 20:17:18
52
原创 FeSTGCN
交通流预测是智能城市交通系统的基础。然而，现有的研究主要集中在探索空间和时间域内的时空依赖性，往往忽略了交通数据中存在的频率信息。本研究旨在通过同时对交通流的时间、空间和频域依赖性进行建模来解决这一限制，从而提出一种称为频率增强时空图卷积网络（FeSTGCN）的新模型，以提高交通流预测的准确性和可解释性。具体而言，本研究设计了一种方法，利用时频变换方法从交通流中提取频域信息。时空域的依赖性被捕获使用基于注意力的扩散图和时间卷积。在真实的道路网络上进行了大量的实验，使用自适应信号配时。
2025-03-20 18:58:24
34
原创 AdaWaveNet：用于时间序列分析的自适应小波网络
时间序列数据分析是金融、医疗保健和气象等领域的关键组成部分。尽管在时间序列分析的深度学习方面取得了进展，但在解决时间序列数据的非平稳性方面仍然存在挑战。传统的时间序列分析模型是建立在统计特性恒定的假设基础上的，往往难以捕捉实际时间序列中的时间动态特性，从而导致时间序列分析的偏差和误差。本文介绍了一种新的基于自适应小波变换的非平稳时间序列数据多尺度分析方法–自适应小波网络（AdaWaveNet）。
2025-03-20 13:47:22
148
原创 DSTTN
最近的研究将Transformer架构广泛应用于交通流预测，提出了各种解决方案来有效地捕捉交通数据的非线性时空相关性。为了更好地模拟交通流数据，一些工作强调了在学习交通流数据的时空相关性时同时考虑时空异质性的必要性。然而，现有的方法都没有成功地实现在学习时空相关性的同时有效捕捉时空异质性的目标。为了应对这些挑战，我们提出了一种交通流预测模型，称为解耦图时空变换网络（DSTTN）。该模型的核心是一个时空解耦表示学习模块，旨在解耦时空嵌入并将其应用于变压器网络，与多头注意力机制集成。
2025-03-14 12:47:40
19
原创 IEEE投稿流程
这里需要上传你的word版本或是Latex版本（全部压缩成zip格式，不需要在下面的Latex Supplementary File再上传其他的部分了），还有你的PDF版本。（注意：有的期刊可能需要双盲，TMC不需要）会进入到一个注册的地方，注意不能用之前系统的邮箱进行投稿（需要一个新邮箱进行注册投递，注册之后点红色框选部分）可选的这个最好上传，其他不需要（除非你论文里有设计动物实验等）第一个选择常规（Regular），后面全部默认勾选。剩下的部分可以按照默认进行填充即可。
2025-03-08 10:08:24
106
1
原创 基于多核时间动态伸缩卷积的交通流预测自适应决策时空神经常微分方程-NN
我们首先介绍基本定义，并概述问题描述如下：定义1（交通网络）。道路网络被建模为一个GVEAGVEA，其中VVV表示一组节点，EEE表示一组边，A∈RN×NA∈RN×N是邻接矩阵。在这项研究中，我们利用两种类型的邻接矩阵：空间邻接矩阵AspAsp和语义邻接矩阵AseAse。定义2（图形信号张量）。令xti∈RFxti∈RF表示节点iii在时间ttt的观测，其中FFF是观测向量的维数。Xtx。
2025-02-26 18:47:23
60
原创 FairSTG：通过协作样本级优化对抗性能异质性（TMC）
时空学习在智能城市的移动的计算技术中发挥着重要作用.尽管已有的研究已经在对整个数据集进行准确预测方面做出了很大的努力，但它们仍然忽略了样本间显著的性能异质性。本文指出，性能异质性是时空学习不公平的原因，它不仅降低了模型的实用功能，而且给现实城市应用带来了严重的潜在风险.为了弥补这一不足，提出了一种与模型无关的时空图学习公平框架（FairSTG），该框架继承了利用学习良好的样本的优势来解决具有挑战性的样本的协作混合问题的思想。具体而言，FairSTG包括用于模型初始化的时空特征提取器、用于良好学习样本和挑战样
2025-02-26 14:13:39
156
原创 时间序列的大模型研究综述-IJCAI
大型语言模型（LLM）在自然语言处理、计算机视觉等领域有着广泛的应用。超越文本、图像和图形，LLM为时间序列数据分析提供了巨大的潜力，使气候、物联网、医疗保健、交通、音频和金融等领域受益匪浅。本调查文件提供了一个深入的探索和各种方法的详细分类，用于利用的权力，为时间序列分析的LLMs。我们解决了在LLMs的原始文本数据训练和时间序列数据的数值性质之间的差距的内在挑战，并探索了从LLMs到数值时间序列分析的知识转移和提取的策略。
2025-02-25 17:54:10
971
原创 HSTGODE
近年来，为了改善人们的日常生活，人们提出了许多交通预测的工作。虽然这些工作已经取得了良好的预测性能，但它们有三个基本的局限性。(i)交通流的区域特征没有得到充分利用;交通流的离散化时空特征不利于对实际交通动态特征的全面理解;交通区域与节点之间缺乏动态连续的特征融合机制。为了解决上述问题，我们提出了一种分层时空图常微分方程网络（HSTGODE）的交通量预测模型.HSTGODE采用双层结构，可同时处理交通区域和节点的交通流数据。在交通区域层和节点层，模型通过时空ODE块连续、深入地捕捉区域和节点的特征。
2025-01-19 17:51:30
61
原创 用于时空交通数据插补的多注意张量完成网络
道路传感器在物联网（IoT）中的广泛部署可以实现细粒度的数据集成，这是数据驱动应用程序的基本需求。由于网络通信不稳定、传感器故障等，不可避免地丢失和实质性异常的传感数据是不可避免的。最近的张量补全研究通过精确捕获复杂的时空依赖性/相关性，证明了深度学习在插补任务中的优越性。然而，忽略这些方法中初始插值的重要性会导致性能不稳定，特别是对于大规模数据中的复杂缺失场景。此外，现有的插值方法利用沿时空维度的递归信号传播，这会在依赖性不相关的情况下产生噪声累积。
2024-04-17 21:00:57
336
原创 扩散模型2原理分析
文章来自扩散模型是概率生成模型，旨在通过对正态分布变量进行迭代去噪来生成目标数据分布px。扩散模型过程分为正向过程和可学习的逆向过程，本质就是一个长度为T的马尔科夫链。通过给定数据样本x∈Rd∼px和一些潜在变量z0z1⋯zT，随着扩散步数增加，在数据分布和高斯分布之间进行插值。
2024-04-07 18:58:04
1189
原创 Latent Diffusion Transformer for Probabilistic Time Series Forecasting
多元时间序列的概率预测是一项极具挑战性但又实用的任务。本研究提出将高维多元时间序列预测浓缩为潜在空间时间序列生成问题，以提高每个时间戳的表达能力并使预测更易于管理。为了解决现有工作难以扩展到高维多元时间序列的问题，我们提出了一种称为潜在扩散变换器（LDT）的潜在多元时间序列扩散框架，它由。
2024-04-06 20:06:40
408
原创 Learning from Polar Representation: An Extreme-Adaptive Model for Long-Term Time Series Forecasting
鉴于与正常事件相比，我们的数据中极端事件很少见，我们利用 Kruskal-Wallis 采样对训练集中出现极端事件的区域进行过采样，我们的模型可以从中学习适当的模式。也就是说，对于我们从输入序列中抽取的每个大小为 t+h 的随机样本 x，我们首先将序列拆分为 k 个大小相等的连续子序列，并计算 k 个子序列之间的 Kruskal-Wallis 检验统计量 H，使用,方程 1. 为了避免 H 统计量受到子序列中微小差异的影响，我们在计算 H 之前将 x 中的值舍入为最接近的整数。G.克鲁斯卡尔-沃利斯抽样。
2024-04-06 18:22:35
1154
原创 Spatio-Temporal Pivotal Graph Neural Networks for Traffie Flow Forecasting
交通流量预测是一个经典的时空数据挖掘问题，具有许多实际应用。,最近，针对该问题提出了各种基于图神经网络（GNN）的方法，并取得了令人印象深刻的预测性能。然而，我们认为大多数现有方法忽视了某些节点（称为关键节点）的重要性，这些节点自然地与多个其他节点表现出广泛的联系。由于与其他节点相比，关键节点具有复杂的时空依赖性，因此对关键节点进行预测提出了挑战。在本文中，我们提出了一种基于 GNN 的新颖方法，称为时空枢轴图神经网络（STPGNN）来解决上述限制。我们引入了一个关键节点识别模块来识别关键节点。
2024-04-06 18:21:01
833
2
原创 CIM：插补时空数据框架2021篇
基于联合矩阵分解的交通拥堵数据缺失数据填补paper link摘要：现实中，由于一些意外错误而造成部分交通数据的缺失是不可避免的，这不仅影响交通管理，也阻碍了交通数据研究的发展。在本文中，我们提出了一种基于联合矩阵分解的交通拥堵数据插补模型（简称CIM）。 CIM 对交通拥堵模式的特征（包括周期性、道路相似性和时间相干性）进行联合建模，以估计缺失的拥堵值。具体来说，我们首先根据交通拥堵数据构建一个 3 阶张量。然后，我们利用空间和时间信息，通过联合矩阵分解对周期性和道路相似性进行建模。最后，我们将局部
2024-01-24 10:08:14
254
1
原创 STEGNN
我们使用图gVEASgVEAS来表示道路网络，其中∣V∣N|V|=N∣V∣N是与NNN条道路观测相对应的顶点集合，EEE表示边的集合，ASA_{S}AS是记录顶点之间空间位置的空间邻接矩阵。空间网络gg表示节点之间在空间维度上的关系。我们定义图信号矩阵Xat∈RN×CXat∈RN×C表示在某一时刻ttt的整个空间图的观测值，其中CCC。
2024-01-14 14:52:26
277
原创 Quick taxi route assignment via real-time intersection state prediction
机场出租车线路的优化对于提高机场容量和资源利用率至关重要。然而，现有的预先规划日程的方法通常非常耗时。为了解决这个问题，我们提出了一种新方法，通过使用时空图神经网络（STGNN）预测机场滑行道网络中的交叉口状态来减少问题规模，该时空图神经网络结合了图卷积网络和具有注意机制的递归神经网络。基于预测结果获得的子图，建立了出租车路线分配的混合整数线性问题（MILP）模型。
2024-01-14 09:40:55
143
原创 MISGAN
生成对抗网络（GAN）已被证明提供了一种对复杂分布进行建模的有效方法，并在各种具有挑战性的任务上取得了令人印象深刻的结果。然而，典型的 GAN 需要在训练期间充分观察数据。在本文中，我们提出了一个基于 GAN 的框架，用于从复杂的高维不完整数据中学习。==所提出的框架学习一个完整的数据生成器以及一个对缺失数据分布进行建模的掩码生成器。==我们进一步演示了如何通过为我们的框架配备经过对抗性训练的插补器来插补丢失的数据。我们使用一系列实验来评估所提出的框架，这些实验在完全随机假设下丢失了几种类型的数据过程。
2024-01-13 18:31:15
177
原创 GSTAE
A、交通速度预测交通速度预测的目标是根据城市交通网络中传感器节点测量的历史数据来预测未来的交通速度。Xt−Th1tG⟶f⋅Xt1tTpXt−Th1tG⟶f⋅Xt1tTp其中Xt−Th1t∈RTh×NXt−Th1t∈RTh×N是时间步t−Th1t−Th1到ttt期间NNN个传感器的历史交通速度。
2024-01-13 18:27:41
269
原创 PriSTI
本文将时空数据形式化为连续时间上的序列X1LX1X2⋯XL∈RN×LX1LX1X2⋯XL∈RN×L并非所有观测节点在时间lll都有观测值。本文使用二元掩码Ml∈01NMl∈01N表示观察到的掩码。由于实际中没有缺失数据的真实值，本文从可用的观测数据中手动选择插补目标X∈RN×LX∈RN×L进行训练和评估，并用二元掩码M∈RN×LM∈RN×L进行识别。
2024-01-06 12:36:42
1003
原创 Missing Data Repairs for Traffic Flow With Self-Attention Generative Adversarial Imputation Net
提取交通数据之间的时空关系的方法有两类：一是通过数学方法显式地提取特征，例如傅里叶变换来提取交通数据中的周期。另一种是通过模型学习特征，并通过数据驱动的方法从数据集中隐式提取时空相关性ddd维数据空间定义为χχ1χ2χ3χdχχ1χ2χ3χd。然后，从χ\chiχ中取出一个随机多维时间序列，即Xx1x2x3xdXx1x2x3xd，其中XXX的联合概率分布为PXP(X)PX。
2024-01-05 09:06:53
445
原创 STGAN：用于交通数据插补的时空生成对抗网络
首先，设计了生成损失和中心损失->贡献2目的：最小化了插补条目的重建误差，而且确保每个插补条目及其邻居符合局部时空分布。然后，判别器使用卷积神经网络分类器（CNN分类器）来判断插补矩阵是否符合。
2024-01-04 14:05:52
1452
1
原创 扩散模型(1)代码
是我们根据调度器为每个时划设定的参数，用于决定在每个时间步添加的噪声量。我们并不想通过把这个推演重复 500 次来得到，而是希望利用另一个公式，根据给出的。从完全随机噪声开始，检测预测效果，然后朝着预测效果移动一部分，比如20%，可能新的预测效果就比上一侧的预测效果好一点，那么么就可以继续向前移动。在每个时间步都为输入图像添加少量噪声的退化过程。模型在高噪声量下的预测不好该怎么办呢？，就可以得到一个噪声稍微增强的。，然后将其与一个带有系数。如果在某个时间步给定。
2023-11-28 11:07:40
681
原创 Attention is all your need
假设我们的模型知道从训练数据集中学习的 10,000 个独特的英语单词（我们模型的“输出词汇”）。这就是我们解释线性层模型输出的方式。从行文看是不是一样的词语，但是其实它表达的含义是并不相同的，这就意味着我们并不能简单的将得到的输入嵌入直接放到我们的注意力里面。“编码器-解码器注意力”层的工作方式与多头自注意力类似，只不过它从其下面的层创建查询矩阵，并从编码器堆栈的输出中获取键和值矩阵。线性层是一个简单的全连接神经网络，它将解码器堆栈产生的向量投影到一个更大的向量中，称为 logits 向量。
2023-10-18 18:25:36
121
原创 Python类（class）的那些事
继承是一种新建类的方式python中父类，子类（派生类）,父类和子类只有在继承的时候才会产生继承是为了拿到父类的所有东西首先我们来看一个下面的函数# 定义一个父类Parent_Foo他的属性有，姓氏、资产、车、房子print(f'
2023-09-19 19:05:10
78
原创 model
2.list对一维数组做一些操作,numpy其实就是对多维做操作。1.np.array是多维的,list是一维的。获取多维数组的行和列。
2023-09-13 17:11:13
83
原创 python基础
代码自上而下运行，m1需要m2的y，会去m2的名称空间找y，但是找到y之前，需要运行m2的代码，m2代码第一句是去找m1的x，然后又回去运行m1的代码，m1的第一行代码又失去寻找m2的y。m1.f1() # 运行两次，例如：使用python解释器运行time文件，然后把解释文件得到的名字放入time模块的名称空间；就是说：m1只能运行第一行，m2也只能运行第一行，所以产生了这样的问题。2、运行文件，被当做执行文件执行，只能有一个。1、模块文件，被当作模块给导入，可以有多个。3、内置模块，如time。
2023-09-13 17:10:25
92
原创 Dastnet 2022
across Cities（短时预测）本文提出一种新的可转移流量预测框架：域对抗时空网络（Dastnet）是基于多域对抗自适应的可转移时空流量预测框架该框架通过空间编码器将原始节点特征映射到节点嵌入。通过域分类器引入域不变性嵌入，并与时域预测器中的交通数据融合，实现跨城市交通预测。（利用多个城市交通信息学习不同节点之间的相似性，达到补充交通信息不足的城市路网预测功能）PS:有点扯，虽然路网有相似性，但是实际结构并不能通用，有一句古话，因地制宜；
2023-07-27 17:34:34
164
原创 GRAM-ODE代码解析
该代码是基于GRAM-ODE论文来的 详见：GRAM-ODE论文解释这段代码定义了一个名为的函数，用于训练神经网络模型。它接受几个输入参数：在训练过程中，该函数遍历数据加载器提供的批次。它将模型设置为训练模式，清除优化器的梯度，并将输入数据和目标数据移动到指定的设备上。然后，使用模型对输入数据进行预测，并使用提供的标准差和均值对预测结果进行反归一化。使用指定的损失函数计算预测结果和目标数据之间的损失。计算出损失的梯度后，优化器根据这些梯度更新模型的参数。该函数还计算了几个评估指标，包括RMSE、MAE和M
2023-07-19 21:53:54
159
原创 Continuous graph neural network(CGNN)
解释我们的模型学习了什么样的表示，以及为什么它没有遭受中常见的过度平滑问题。证明了更深的指数地失去了表达能力，因为在极限情况下，当层数达到无穷大时，节点表示被投影到拉普拉斯算子的零空间上，这意味着在同一连通分量中具有相同度的两个节点将具有相同的表示。本文从残差连接思想，进而对动态系统进行从离散到连续的转化，给出了证明。从基于扩散的方法激励我们的ODE，并从理论上证明我们的方法如何有助于解决节点之间的过度平滑以及长距离连接。对象：H∈R∣V∣×d\boldsymbol{H} \in \mathbb{R}^{|
2023-07-07 16:02:32
477
2
原创 TCN：An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
，其中每个隐藏层与输入层的长度相同，并且添加长度的零填充(kernel size − 1)以保持后续层与先前层的长度相同。全连接卷积和因果卷积，由于该设计本身在应对长时间序列时需要堆叠多层神经层的问题，采取膨胀卷积扩大感受野并引入残差连接思想。（1）Dilated Convolutions（扩张卷积）：采用扩张卷积，使指数大的感受野，对于。的历史和高维输入序列的情况下，可能需要多达12层的网络。模型的设计中，我们采用通用残差模块代替卷积层。和前一层中更早的元素卷积的卷积。，而不是其他时刻的输入。
2023-07-04 12:14:16
155
GRAM-ODE的补充文件
2023-06-30
交通预测流量数据集METR-LA数据集进行划分成训练集、测试集和验证集、比例为0.6：0.2：0.2
2023-06-07
model predictive control
2023-06-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人