一种路网级交通事故风险预测方法

现有的深度学习方法将空间区域网格化,不符合事故发生的自然形态。考虑到交通事故大多发生在道路上,为了在空间维度上更精准地完成事故风险预测任务,针对路段级别的事故风险预测问题,提出了一种融合尺度缩减注意力机制和图卷积网络的城市交通事故风险预测(SA-GCN)模型。首先,有效结合历史长期和短期事故风险、外部天气特征,采用门控图卷积模块捕获时空相关性,并使用注意力机制以获得不同时空特征的动态性表达;其次,针对事故数据的稀疏性和空间异质性问题,引入了尺度缩减模块,以聚类后粗粒度区域的事故风险引导路段级别的事故风险预测。在公开性能测量系统数据集上的实验结果表明,SA-GCN模型优于其他6种基准模型,并且比现有最新模型的准确率提升了11%。     

面向高速公路服务区流量预测的动态时空图神经网络

准确地预测驶入高速公路服务区的车流量有助于提升服务区智能化管理的效率。由于流量数据自身的动态性和路网拓扑结构等因素的影响,流量数据中存在复杂的时空相关性。为捕获流量序列中复杂的时空相关性,实现准确地驶入服务区流量预测,提出一种动态时空图神经网络模型。该模型使用感知趋势性变化的多头注意力模块捕获流量数据在时间维度的动态性,通过空间动态图卷积模块捕获驶入服务区的车流量与路网中其他断面流量的动态相关性和空间异质性。基于时空位置嵌入表示,考虑了流量数据在时间维度的顺序性和空间维度的静态属性。模型基于编码器-解码器结构,通过反向传播实现端到端的训练。最后,基于真实高速路网数据的实验说明了提出方法的有效性。     

基于时空图卷积网络的交通事故预测研究

准确、高效的交通事故预测方法是智能交通系统高效运行、及时提供医疗救助和提高交通效率的必要条件。现有的事故预测模型主要采用统计方法或单一的机器学习方法,不能同时获得时空依赖关系,为了提高预测精度,针对交通事故预测的问题,提出了一种基于时空图卷积网络的交通事故预测模型,该模型与长短期记忆网络和图卷积网络相结合,并考虑了交通事故中时间和空间的依赖关系。通过将图卷积网络用于学习复杂的路网拓扑结构,以获得交通状态中的空间相关性,把长短期记忆网络用于学习交通事故数据的动态变化,以获得交通状态中的时间相关性,然后使用基于时空图卷积网络的交通事故预测模型进行预测。实验表明：该模型能够从事故数据中获得时空相关性,并在真实数据集上具有良好的预测性能。     

基于GAT-BILSTM-Res的水质预测模型

针对水质数据在时间维度的依赖关系以及水质监测站点在空间维度的依赖关系,基于海河流域天津段实际监测的历史水质数据,设计了有效提取时空特征的方法,提出一种融合图注意力网络（GAT）、双向长短期记忆网络（Bi-LSTM）以及残差块（ResBlock）的时空水质预测模型（GAT-BILSTM-Res）.该模型首先通过GAT捕获水质监测站点之间的拓扑关系,建立空间相关性模型;同时通过Bi-LSTM捕捉水质监测数据的动态变化,并对时间相关性进行建模;然后将时空特征融合,输入残差块;最后使用全连接层对预测结果进行输出.实验结果表明,相较于基线模型,该模型能够实现6.6%～25.2%的性能提升.     

实际环境中基于深度Q学习的无人车路径规划

实际交通环境规划最优路径的重要问题是无人车智能导航, 而无人车全局路径规划研究主要在于模拟环境中算法求解速度的提升, 考虑大部分仅路径距离最优或局限于当前道路的自身状况, 本研究针对实际环境中的其他因素及其未来的变化和动态路网中无人车全局路径规划的复杂任务, 基于预测后再规划的思想提出面向实际环境的无人车驾驶系统框架, 并结合深度Q学习和深度预测网络技术提出一种快速全局路径规划方法(deep prediction network and deep Q network, DP-DQN), 从而利用时空、天气等道路特征数据来预测未来交通状况、求解全局最优路径。基于公开数据集的试验和评价后发现, 本研究提出的方法与Dijkstra、A^*等算法相比, 行车时间最高降低了17.97%。     

基于交互差分时空LSTM的网格化臭氧浓度预测

臭氧浓度的预测对于大气环境治理、空气质量改善等起到了重要的作用。本文提出了一种交互差分时空LSTM网络预测模型（ST-IDN）来挖掘臭氧浓度历史数据的时间相关性和空间相关性，并成功将其应用到网格化臭氧浓度数据预测上。在该模型中，首先交互模块（IC）可以通过一系列的卷积操作来捕捉短期上下文信息，其次层融合模块（LF）可以融合不同层的空间信息来获得上一时刻丰富的空间信息，最后差分时空LSTM模块（DSTM）将捕捉到的时间信息和空间信息进行统一建模实现臭氧浓度预测。所构建模型分别与卷积LSTM网络（ConvLSTM）、预测循环神经网络（PredRNN）以及Memory in Memory网络（MIM）模型在河北省气象局提供的臭氧浓度数据上进行了对比分析，ST-IDN模型的平均绝对误差分别降低了19.836%、12.924%、7.506%。实验结果表明，所提出的模型能够提高臭氧浓度的预测精度。     

结合社交影响和长短期偏好的个性化推荐算法

针对基于会话的推荐算法只捕获用户的短期动态兴趣，忽略长期兴趣和社交好友对用户行为的影响，提出结合社交影响和长短期偏好的推荐算法.设计新颖的异构关系图来组织用户的社交关系和历史会话，提出基于注意力机制的异构图神经网络对图进行学习，得到融合用户社交影响的长期偏好.针对社交影响力不一致容易引入噪声的问题，提出加权剪枝策略，减少了噪声干扰且丰富了图结构信息.利用无损的会话建模方法捕获用户的短期偏好，将短期偏好与长期偏好进行自适应融合，得到反映用户全局偏好的特征表示. Gowalla和Delicious数据集上的实验结果表明，所提方法的各项指标相比现有先进方法均有显著提升，证明了所提算法的有效性.     

基于CM-Transformer的连续手语识别

针对捕获手语动作的全局特征和局部特征以及保留图像中原有的结构和捕获上下文联系,提出了一种改进的卷积多层感知机鄄自注意力(CM-Transformer)方法用于连续手语识别。 CM-Transformer 将卷积层的结构一致性优势与自注意力模型编码器的全局建模性能相结合,以捕获长期的序列依赖。 同时将自注意力模型前馈层替换为多层感知机,以发挥其平移不变性和局部性。 使用随机帧丢弃和随机梯度停止技术,减少时间和空间上的训练计算量,防止过拟合,由此构建一种高效计算的轻量级网络;最后使用连接主义时间分类解码器对输入和输出序列对齐,得到最终的识别结果。 在两个大型基准数据集上的实验结果表明了所提方法的有效性。     

基于全局时空注意力机制和PCA＿3DNet的动作识别方法

针对基于3D卷积神经网络的动作识别方法存在参数量过大、无法捕捉时空特征的全局依赖关系等问题,提出了一种基于全局时空注意力机制(Global spatiotemporal attention mechanism, GSTAM)和PCA＿3DNet的动作识别方法。该方法引入伪3D卷积结构减少网络参数,在伪3D卷积结构中嵌入通道注意力机制(Channel attention mechanism, CAM)来增强通道特征,并采用全局时空注意力机制来捕捉特征信息的全局依赖关系,加强时空特征的表征能力,从而提高动作识别的准确率。该方法在两个公开数据集UCF101和HMDB51上的识别准确率分别为93.5%和70.5%,模型参数量为13.46 Mi,浮点运算量为8.73 Gi;在准确率、参数量和计算量上的综合表现优于现有的传统方法和深度学习方法。实验结果表明该方法能够获取丰富的时空特征信息,有效提升动作识别的性能。     

基于图卷积网络的交通预测综述

交通预测是智能交通系统中的关键问题之一,精准的交通预测对于城市交通运营调整、物流运输产业提质增效以及公众出行规划等交通需求具有重要作用.近年来,多种用于解决交通预测问题的深度学习的框架已经被提出,其中图卷积网络(graph convolutional network,GCN)及其变体在各类交通预测模型中脱颖而出,取得了可观的准确率.因此,对基于GCN的交通流预测模型进行归纳总结,从图卷积的基本定义出发,以频域图卷积和空域图卷积为主,介绍GCN的基本原理.随后,通过对图时空网络、图自编码器以及图注意力网络的介绍,阐明该领域模型的发展历程,分类综述不同预测模型的结构及特点.在介绍常用交通预测数据集的基础上,以应用研究、模型研究以及多源数据融合为切入点,探讨了未来该领域的研究方向.     

用于交通流预测的自适应图生成跳跃网络

针对交通流数据复杂的时空相关性,提出新的基于深度学习的自适应图生成跳跃网络（AG-JNet模型）. 该模型由2个时空模块组成,每个时空模块分为2支,分别对时间相关性和空间相关性建模. 时间建模采用多层扩张卷积,在增大时间维度感受野的同时降低计算开销. 空间建模采用自适应图生成卷积,在不依赖图的固定结构下提取空间相关性. 在时间和空间的建模中均采用跳跃连接堆叠多层,以提升模型的深层特征提取能力,将时间特征和空间特征进行门控融合,提取出用于交通流量预测的时空特征. 在2个真实数据集PeMSD4和PeMSD8上的实验表明,AG-JNet在不同指标下取得了优异的性能.     

基于图卷积神经网络的城市交通态势预测算法

为了实时准确地预测城市交通流量,提高城市交通态势感知和预测准确度,提出一种改进的时空图卷积深度神经网络算法：基于自由流动可达矩阵的时空图卷积深度神经网络（FAST-GCN）. 利用图卷积神经网络有效表达城市复杂路网的结构特性,引入自由流动可达矩阵来挖掘复杂路网的时空依赖性,从而提高交通态势预测准确度;对交通流速及站点地理位置数据进行数据预处理;在现有的时空图卷积深度神经网络算法的基础上,增加基于自由流动可达矩阵的图卷积模块,以有效挖掘城市交通路网的独特空间特征;通过一个全连接的输出层输出交通流预测结果;在真实世界数据集PeMS上对算法效果进行验证. 结果表明,采用提出的FAST-GCN算法能够有效获取交通路网独特的物理特性,从而捕获交通数据的时空依赖性,优于时空图卷积（STGCN）等基线算法,其在45 min的预测准确率最好可提高5.656%;相比基线模型,所提算法能够适应大规模路网的交通流预测,且具有可扩展性.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于时空融合图卷积的交通流数据修复方法

为了解决现有时空相关修复法挖掘交通流特性不充分的问题,提出基于时空融合图卷积网络的缺失数据修复方法. 该方法在分析交通流时空特性的基础上,采用2类函数分别计算交通流数据的时间自相关系数和空间关联度系数. 将交通检测器的部署位置作为节点构成几何拓扑图,通过线性融合规则构建时空融合矩阵,替代图卷积输入层的邻接矩阵,捕获交通流细粒化的时空关系. 利用轻量级一维卷积层学习多通道时序向量的时间特征,加快模型的收敛速度. 利用图卷积层学习交通流数据的空间特征,构建时空融合图卷积网络修复模型. 实验结果表明,与其他修复方法相比,该方法在多检测器场景中的修复精度和模型收敛速度均有所提升,可以有效地修复交通流缺失数据.     

Short-Term Traffic Flow Prediction Based on Road Network Topology

Accurate short-term traffic flow prediction plays a crucial role in intelligent transportation system (ITS), because it can assist both traffic authorities and individual travelers make better decisions. Previous researches mostly focus on shallow traffic prediction models, which performances were unsatisfying since short-term traffic flow exhibits the characteristics of high nonlinearity, complexity and chaos. Taking the spatial and temporal correlations into consideration, a new traffic flow prediction method is proposed with the basis on the road network topology and gated recurrent unit (GRU). This method can help researchers without professional traffic knowledge extracting generic traffic flow features effectively and efficiently. Experiments are conducted by using real traffic flow data collected from the Caltrans Performance Measurement System (PEMS) database in San Diego and Oakland from June 15, 2017 to September 27, 2017. The results demonstrate that our method outperforms other traditional approaches in terms of mean absolute percentage error (MAPE), symmetric mean absolute percentage error (SMAPE) and root mean square error (RMSE).     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.     

一种组合核相关向量机的短时交通流局域预测方法

为有效提高短时交通流预测的精度,提出一种基于组合核相关向量机模型的短时交通流局域预测方法.首先利用C-C方法实现相空间重构,然后根据Hannan-Quinn准则确定邻近点个数,进而构建基于粒子群优化的组合核相关向量机模型,最后采用上海市南北高架快速路的感应线圈实测数据进行实验验证和对比分析.实验结果表明:基于组合核相关向量机模型的短时交通流局域预测方法的预测误差和均等系数均优于对比方法,其中,平均绝对百分比误差比GKF-RVM模型、GKF-SVM模型和加权一阶局域预测模型分别降低了29.2%、47.5%和59.5%,能够进一步提高短时交通流预测的精度.     

基于MGCNN的商品评论情感分析

为了解决传统的深度学习模型会忽略语料库中全局词共现信息所包含的非连续和长距离语义的问题。本文提出记忆图卷积神经网络（MGCNN）引入注意力机制的商品评论情感分析方法。首先提取词与词、词与文档之间的关系,以全部的词和文档作为节点,将整个数据集构造成一个异构文本图。再基于图卷积网络（GCN）来构建用于图结构数据的神经网络,利用长短期记忆网络（LSTM）提取上下文相关特征,并使用注意力层获取重要特征。多组对比实验结果表明,本方法的分类效果更好,且随着训练集数据所占比例的降低,其优势更加显著。     

稀疏移动网络中时延软约束的低能耗路由算法

针对稀疏移动网络中能量高效的数据传输问题,提出一种满足时延软约束的路由算法.将多个时隙的静态网络拓扑建模为虚拟的空时图模型.该空时图模型既包含网络拓扑在每一时隙的连通信息,也包含由移动性引起的链路变化信息.重新定义端到端的路由问题为寻找一条低能耗空时路径,并满足时延软约束.根据重新定义的路由问题,提出一种满足时延软约束的低能耗路由算法.仿真结果表明,该算法可以实现能量消耗与传输时延的权衡.