智慧交通

Modeling multivariate time series has long been a subject that has attracted researchers from a diverse range of fields including …

在相关的时间序列数据中建立复杂的空间和时间相关性的模型，对于理解交通动态和预测一个不断发展的交通系统的未来状态是不可或缺的。最近的工作主要集中在设计复杂的图神经网络架构，借助于预先定义的图来捕捉共享模式。在本文中，我们认为学习节点特定的模式对于交通预测是必不可少的，而预先定义的图是可以避免的。为此，我们提出了两个自适应模块，以增强图形卷积网络（GCN）的新功能。1)节点自适应参数学习(NAPL)模块，用于捕捉节点的特定模式；2)数据自适应图形生成(DAGG)模块，用于自动推断不同流量序列之间的相互依赖关系。我们进一步提出了自适应图卷积循环网络（AGCRN），基于这两个模块和循环网络自动捕捉交通序列中细粒度的空间和时间相关性。我们在两个真实世界的交通数据集上的实验表明，AGCRN在没有预先定义的空间连接图的情况下，以显著的优势优于最先进的技术。

Spatiotemporal forecasting has various applications in neuroscience, climate and transportation domain. Traffic forecasting is one …

及时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高度非线性和复杂性，传统方法无法满足中长期预测任务的要求，而且往往忽略了空间和时间上的依赖性。本文提出了一种新型的深度学习框架–时空图卷积网络(STGCN)来解决交通领域的时间序列预测问题。我们没有应用常规的卷积和递归单元，而是将问题制定在图上，并建立具有完整卷积结构的模型，这样可以用较少的参数实现更快的训练速度。实验表明，我们的模型STGCN通过对多尺度交通网络的建模，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上持续优于最先进的基线。

准确、实时的交通预测在智能交通系统中发挥着重要作用，对城市交通规划、交通管理和交通控制具有重要意义。但由于受城市路网拓扑结构和随时间动态变化规律的限制，即空间依赖性和时间依赖性，交通预测一直被认为是一个开放的科学问题。为了同时捕捉空间依赖性和时间依赖性，我们提出了一种新型的基于神经网络的交通预测方法，即图卷积网络（GCN）和门控递归单元（GRU）相结合的时间图卷积网络（T-GCN）模型。具体来说，GCN用于学习复杂的拓扑结构以捕捉空间依赖性，门控递归单元用于学习流量数据的动态变化以捕捉时间依赖性。然后，采用T-GCN模型进行基于城市路网的交通预测。实验表明，我们的T-GCN模型可以从交通数据中捕获时空相关性，并且在实际交通数据集上的预测结果优于最新的基准模型。我们的T-GCN的Tensorflow实现见https://github.com/lehaifeng/T-GCN。

论文、代码、仓库、研究小组、数据集等

SUMO核心代码接口与代码逻辑随笔