考虑时空影响下的图卷积网络短时交通流预测

针对交通流预测过程中城市道路路网的空间特征难以充分提取,导致预测结果精度不高的问题,提出图卷积网络（GCN）与门控循环单元（GRU）组合短时交通流预测模型。利用GCN对拓扑结构数据处理的优势,将城市道路路网空间排列结构转换为拓扑关系建模,通过解决拓扑关系问题有效提取出路网间的空间特征。采用GraphSAGE算法改进GCN模型,通过加和聚合算子和图注意力机制（GAT）聚合空间特征,将包含空间特征的输出作为GRU模型的输入提取时间特征。利用真实道路车流量数据进行模型验证,结果表明该模型相较于不具有GCN的模型预测准确率提升约8%,均方误差缩小约0.010?37,说明所提模型具有相对较高的稳定性及预测精度,可以为大型城市路网提供重要的交通诱导依据。     

基于ASTG-CRNN模型的多步长交通流预测

针对交通流预测模型中路网表征结构难以进行刻画和交通流数据中动态时空相关性难以进行建模以及其中时间特征捕获不充分的问题,提出一种基于注意力机制和时空图卷积循环神经网络的交通流预测模型(ASTG-CRNN)。首先,通过定义节点相对邻近度来确定路网表征结构的关系权重;其次,通过在时空维度上引入注意力机制对动态时空相关性进行建模,再采用图卷积捕获交通流数据中的空间特征;最后,采用卷积神经网络和双向门控循环神经单元的组合模块共同捕捉时间特征,从而能更好地表达交通流的时空特性。在两个公开交通流数据集PeMS04和PeMS08上对模型预测效果进行验证,其结果表明,ASTG-CRNN模型的预测结果均优于其它模型,与时空同步图卷积网络模型(STSGCN)相比,在未来1h内预测结果的MAE、RMSE和MAPE在数据集PeMS08上分别降低了2.71、2.69和0.87%。     

基于ACGRU模型的短时交通流预测

针对现有交通流预测模型未能充分利用交通流数据的时空特征以实现准确预测的问题,提出一种结合注意力机制的卷积门控循环单元预测模型（ACGRU）。该模型利用卷积神经网络（CNN）和门控循环单元（GRU）提取交通流的时空特征,然后使用注意力机制生成含有注意力概率分布的交通流特征表示,同时利用交通流的周相似性提取周期特征,将所有特征相互融合进行回归预测。在真实交通流数据集上的实验表明,提出的ACGRU模型具有更高的预测精度,预测误差相比其他预测模型平均降低了9%。     

融合多种时空自注意力机制的Transformer交通流预测模型

交通流预测是智能交通系统中实现城市交通优化的一种重要方法,准确的交通流量预测对交通管理和诱导具有重要意义.然而,因交通流本身存在高度时空依赖性而表现出复杂的非线性特征,现有的方法主要考虑路网中节点的局部时空特征,忽略了路网中所有节点的长期时空特征.为了充分挖掘交通流数据复杂的时空依赖,提出一种融合多种时空自注意力机制的Transformer交通流预测模型(MSTTF).该模型在嵌入层通过位置编码嵌入时间和空间信息,并在注意力机制层融合邻接空间自注意力机制,相似空间自注意力机制,时间自注意力机制,时间-空间自注意力机制等多种自注意力机制挖掘数据中潜在的时空依赖关系,最后在输出层进行预测.结果表明, MSTTF模型与传统时空Transformer相比, MAE平均降低了10.36%.特别地,相比于目前最先进的PDFormer模型, MAE平均降低了1.24%,能取得更好的预测效果.     

融合外部属性的短时交通流预测研究

针对现有交通流量预测算法大多仅考虑常态下的预测,而未考虑天气属性、周围地理属性对预测结果的影响,提出一种融合外部属性的组合预测模型（A-STIGCN）。首先,将外部属性作为路网中路段的属性,同时对路段的属性和交通特征进行建模,得到增强的特征向量。其次,采用图小波变换和自适应矩阵分别提取交通流局部和全局空间特征信息,并借助门控循环单元（GRU）对时间信息的长时记忆能力以提取其时间特性。最后,通过注意力机制来捕获时空动态变化性进行交通流预测。采用深圳出租车轨迹数据、对应天气数据以及POI数据进行预测,研究结果表明：A-STIGCN组合模型预测效果优于传统线性模型及变体模型,与未引入注意力机制的ASTGCN模型相比,MAE降低了约0.131,精度提高了0.068,与未引入外部因素的TGCN模型对比分析,MAPE降低了约0.637%,精度提高了0.079,从而更好地为交通管理提供指导意见。     

基于多尺度高阶注意力机制的视网膜血管分割

视网膜血管分割对于辅助医生诊断糖尿病性视网膜病变、黄斑萎缩、青光眼等眼科疾病具有重要意义.注意力机制被广泛用于U-Net及其变体中以提高血管分割模型的性能.为进一步提高视网膜血管的分割精度,挖掘视网膜图像中的高阶及全局上下文信息,本文提出基于多尺度高阶注意力机制的模型(multi-scale high-order attention network, MHA-Net).首先,多尺度高阶注意力(multi-scale high-order attention, MHA)模块从深层特征图中提取多尺度和全局特征计算初始化注意力图,从而改进模型处理医学图像分割时尺度不变的缺陷.接下来,该模块通过图的传递闭包构建注意力图,进而提取高阶的深层特征.通过将多尺度高阶注意力模块应用于编码器-解码器结构中,在彩色眼底图像数据集DRIVE上进行血管分割,实验结果表明,基于多尺度高阶注意力机制的视网膜血管分割方法有效地提高了分割的精度.     

基于时空注意力网络的动态高速路网交通速度预测

交通速度是影响高速路网通行效率和安全的重要指标,精准预测高速路网交通速度可以减少交通事故和通行时间,预先为交通控制提供有价值的参考信息,对高速公路管理具有重要意义。基于时空注意力网络,提出一种由数据和长期预测任务驱动面向动态高速路网的交通速度预测模型(ST-ANet)。通过图注意力网络提取高速路网的动态空间关联特征,使用长短期记忆网络提取输入数据的时间关联特征。在此基础上,采用基于多头自注意力机制的时间注意力网络计算历史输入数据和预测值之间的相关性,并利用密集连接和层归一化方法进一步提升模型性能。基于中国宁夏回族自治区银川市高速路网监测数据进行实验,结果表明,与GCN-LSTM模型相比,STANet模型预测未来1 h、2 h和3 h内高速路网交通速度的平均绝对误差分别降低4.0%、3.6%和3.9%。     

结合残差时空注意力机制的海面温度预测算法

海面温度(SST)与全球气候变化、海洋灾害、海洋生态系统密切相关,因此准确地预测 SST 是一个重要课题。现有区域型 SST 预测方法将 SST 时间序列处理为二维矩阵序列并作为模型输入,每个矩阵对应着特定时刻的区域 SST,通过提取时空特征来实现其预测,但未充分考虑不同时空特征在时间维度和空间维度上对 SST 影响的不均衡性,限制了预测精度地提高。为了解决该问题,提出了一种结合时间注意力机制和空间注意力机制的区域 SST 预测方法(CRA-ConvLSTM),使得模型动态关注不同时刻的时间特征和区域内不同点的空间特征,赋予不同的影响权重,进而提高 SST 预测精度。具体来说,首先将输入的区域 SST 时间序列通过卷积神经网络(CNN）编码为多层特征向量,提取局部特征;然后构建了残差时间注意力模块,自适应地学习不同时刻的注意力权重,提取时间维度上的关键特征,并设计了残差空间注意力模块,提取区域内不同点在空间维度上的关键特征,此外,将注意力机制结合残差结构避免了网络中信息量过少导致的性能下降问题;最后通过卷积长短时记忆神经网络(ConvLSTM)将特征向量映射为 SST 预测结果。实验结果显示,该模型的均方根误差(RMSE)和预测精度(PACC)分别达到了 0.19 和 99.43%,均优于其他方法,有效提高了 SST 的预测精度。     

基于时空注意力Bi-LSTM模型的短时交通流预测

针对目前交通流预测精度不高的问题,提出了一种时空注意力Bi-LSTM的短时交通流预测模型。结合交通流的时空特性,将交通流序列构成时空数据矩阵作为模型的输入,利用Bi-LSTM网络关联预测时刻前后的交通流数据,捕捉交通流数据在时间维度前后潜在的联系。引入注意力机制,解决不同时刻输入特征对预测时刻交通流影响存在差异的问题。实验结果表明,相较于对比模型,所提出预测方法的预测误差低于其他模型的预测误差,其有效地提升了预测精度,体现了新模型对于短时交通流预测的有效性。     

面向路网交通流态势预测的图神经网络模型

融合了路网结构的交通流态势预测是一个高度非线性化且复杂的时空动态相关性的时序数据预测问题.然而,传统交通流态势预测方法无法建模交通网络中长时间序列数据间的时空相关性.针对交通路网交通流态势预测问题,提出了一种基于图结构的交通流预测深度学习模型.首先,基于图小波变换定义图小波卷积算子,设计了面向路网交通流态势预测的图小波卷积神经网络模块;其次,结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型,以捕获交通网络的动态时空相关性;最后,采用叠加多层图小波神经网络模块的策略,构建了一种面向路网交通流态势预测的图小波卷积神经网络模型.实验结果表明,该网络模型在数据集上的性能优于现有的基线模型.通过图小波变换矩阵与傅里叶变换矩阵非零元素统计对比实验,发现基于图小波变换定义的卷积运算更具稀疏性.因此,基于图小波变换定义的卷积运算更有助于提升交通流态势预测模型的计算效率.     

基于DWT-GCN的短时交通流预测

交通流预测是智慧交通领域的研究热点之一, 为了深层次地挖掘交通流序列的时空特征, 提高预测精度, 提出了一种基于离散小波变换(discrete wavelet transformation, DWT)和图卷积网络(graph convolutional network, GCN)短时交通流预测模型. 首先, 利用DWT算法将原始交通序列分解为细节分量与近似分量, 降低交通流数据的非平稳性; 其次, 引入距离因子项优化GCN模型中的邻接矩阵, 进一步提取路网的空间特征; 最后, 将DWT分解的各组分量数据分别作为GCN模型的输入进行预测, 并对各组预测结果进行重构, 得到最终预测值. 利用美国加利福尼亚州交通局PeMS数据库实测交通数据对模型进行测试, 结果表明, 该模型相比于ARIMA、WNN、GCN, 平均绝对误差平均降低57%, 平均绝对百分比误差平均降低59%, 是一种有效的短时交通流预测方法.     

基于改进时空残差卷积神经网络的城市路网短时交通流预测

城市路网交通流预测受到历史交通流和相邻路口交通流的影响,具有复杂的时空关联性.针对传统时空残差模型缺乏对交通流数据进行相关性分析、捕获微小变化而容易忽略长期时间特征等问题,提出一种基于改进时空残差卷积神经网络(CNN)的城市路网短时交通流预测模型.该模型将原始交通流数据转化成交通栅格数据,利用皮尔逊相关系数(PCC)对...     

融合多因素的短时交通流预测研究

交通流预测一直是交通领域的研究热点,针对现有交通流预测研究大多为常态下的预测,而未考虑天气、节假日等外部因素的影响,提出了一种融合多因素的短时交通流预测模型。通过长短时记忆网络（long short-term memory,LSTM）捕捉时间序列的长期依赖关系,引入注意力机制,利用注意力机制自适应地选择相应的驱动序列,实现短时交通流的预测。实验分别与传统模型、未引入注意力机制的CLA-ATTN模型及未融合多因素的CLA-MFACTOR模型进行对比分析,结果证明所提出的CLA模型具有较高的预测准确度,是一种较好的预测方法。     

基于时空依赖性和注意力机制的交通速度预测

交通流精准预测对保障公共安全和解决交通拥堵具有重要的意义,在城市交通规划、交通管理、交通控制等起着重要的作用.交通预测由于其受限制于城市路网并且随着时间动态变化,其中存在着空间依赖与时间依赖,是近些年来具有挑战性的课题之一.为了同时捕获到空间和时间上的依赖,提出了一个新的神经网络:基于注意力机制的时空图卷积网络(A-TGCN).TGCN网络模型用于捕获交通数据中的动态时空特性与相关性,采用注意力机制来增强每个A-TGCN层中关键节点的信息.通过在两组数据上的实验结果表明,A-TGCN在精度以及可解释性方面都有很好的表现.     

路网交通流在时空分析背景下的预测研究

深度学习近年来被广泛应用于交通工程领域,针对大型路网中单个路段的交通流预测考虑因素单一、预测精度不高的问题,充分利用长短时记忆（LSTM）网络在时序数据处理方面的优势,结合路网交通流时空分析并运用LSTM模型进行预测。通过对路网中路段检测站点间交通流数据进行相关性计算,并设置不同阈值来选择出代表路段的编号构造原始数据矩阵,对矩阵进行压缩来增加运算效率,最后将压缩矩阵输入模型中进行预测。设置仿真对比实验,验证了提出的方法相较于其他几种模型预测准确率平均可提升11.84%,是一种高效率的交通流预测方法。     

基于时空联合学习的城市交通流短时预测模型

时空联合分析可反映研究对象在时空维的变化规律,对揭示区域过程的时空交互关系和机制具有重要意义。聚焦时空联合特征的学习与交通流物理特性的建模问题,提出一种层次化的动态网络模型JST-DHNet,以融合不同尺度下的时空联合学习与内嵌领域知识学习。利用基于图乘积运算替代以往矩阵拼接方式构建多种时空图结构。结合时空小波变换与时空傅里叶变换,设计2种不同层次的时空同步学习模块,分别学习交通流的全域与局域时空特征。针对交通流的宏观流体动力学性质,通过基于图的广义偏微分方程设计一种新的时空扩散卷积,以学习真实场景下的交通波传播机制。在此基础上,采用注意力机制将不同尺度的时空联合特征进行融合。在4种不同路网规模的真实交通流数据集上进行测试,结果表明,JST-DHNet的预测性能优于采用时空分离式学习模块的预测模型,相比STSGCN时空联合学习模型,JST-DHNet预测精度的平均绝对百分比误差、平均绝对误差和均方根误差分别降低4.46%、6.65%、10.11%,且训练时间缩短近80%。     

基于CNN-XGBoost混合模型的短时交通流预测

准确、高效的交通流预测是实现交通诱导和交通控制的前提和关键。针对传统机器学习方法需要人工构造特征、无法充分提取交通流的时空特征等问题,提出一种混合预测模型,该模型结合卷积神经网络（Convolutional Neural Network,CNN）和XGBoost（Extreme Gradient Boosting）各自的优势,在网络底层使用CNN对交通流数据进行特征的自动提取和选择,并将得到的高维特征向量输入到XGBoost模型中进行预测。为验证模型有效性,取高速路段的交通流数据对CNN模型、XGBoost模型和CNN-XGBoost模型进行实验对比,结果表明,在预测精度上,CNN-XGBoost模型比CNN模型和XGBoost模型分别提高了约6%和7%,是一种有效的短时交通流预测模型。     

基于生成对抗网络的大规模路网交通流预测算法

对大规模路网交通流进行准确预测,能够应用于区域交通协同控制与管理,提高路网运行效率.针对如何高精度地拟合大规模路网交通流时空分布并对其进行准确预测,提出基于梯度惩罚的Wasserstein生成对抗网络(Wasserstein generative adversarial network with gradient penalty,WGAN-GP)的大规模路网交通流预测算法.根据大规模路网交通流数据特点,为了增加模型对时间相关性和远距离空间相关性特征的抽象能力,采用残差U型网络作为生成器来增加网络深度;采用多重判别器分别从时间和空间特征来对生成数据进行判别,从而提高判别器的判别能力.所提算法能够解决判别型深度学习模型仅能针对路网整体误差最小化,而忽略各交通流观测点预测误差最小化原则的问题,能够更好地满足现实交通场景需求.实验结果表明,所提算法能够有效地学习路网交通流数据内部多因素耦合特性,具有更高的预测精度.     

基于多时空图卷积网络的交通流预测

交通流预测在交通管理和城市规划的应用中具有重要意义,然而现有的预测方法无法充分挖掘其潜在的复杂时空相关性,为进一步挖掘路网道路网络数据的时空特性以提高预测精度,提出一种多时空图卷积网络(multi-spatial-temporal graph convolutional network,MST-GCN)模型。首先,利用切比雪夫图卷积(ChebNet)结合门控循环单元(GRU)构建时空组件以深度挖掘节点的时空相关性;其次,分别提取周相关、日相关、邻近时间的序列数据,输入三个时空组件以深度挖掘不同时间窗口间的时间相关性;最后,将时空组件与编码器—解码器网络结构(encoder-decoder)融合组建MST-GCN模型。利用加利福尼亚州交通局(Caltrans)性能评估系统中高速公路数据集PEMS04和PEMS08进行实验,结果表明新模型的性能明显优于门控循环单元模型和最近提出的扩散卷积循环神经网络(DCRNN)、时间图卷积网络(T-GCN)、基于注意力机制的时空图卷积神经网络(ASTGCN)和时空同步图卷积网络(STSGCN)模型。     

基于双重注意力机制改进的DA-LSTM时间序列预测模型

为了提高时间序列预测的精确度和收敛速度，提出一种基于双重注意力机制改进的DA-LSTM时序预测模型。通过引入注意力机制重构LSTMcell结构，减少模型参数提高收敛速度；自注意力层对各时间步的输出计算自注意力权重，充分利用细胞记忆信息，提高预测精度。在Beijing PM_2.5和SML2010数据集上，所提出的模型相较于LSTM在均方根误差(RMSE)上分别降低4%和25.4%,相比其他基准方法也有明显提升。