文献阅读《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecasting》

原创 已于 2024-03-04 21:34:49 修改 · 806 阅读 · 10 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #人工智能 #计算机视觉

于 2024-03-04 09:09:34 首次发布
本文提出STGCN，一种处理交通领域时间序列预测的时空图卷积网络，解决了中期和长期预测中的时间和空间相关性问题。实验结果显示，STGCN在BJER4和PeMSD7数据集上表现出色，优于传统和深度学习方法。模型的特点在于图上公式化问题和完整的卷积结构，适用于复杂时空结构序列预测。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

期刊信息

IJCAI2018（顶会）（北大）

Abstract

本文聚焦的问题：交通预测

现在的问题：①中期和长期的预测任务②忽略了时间和空间上的相关性

本文的贡献：设计了STGCN（时空图卷积网络）处理交通领域的时间序列预测

优点：训练速度快，参数少

特点：①we formulatethe problem on graphs 在图上公式化难题② build the model with complete convolutional structures使用完整的卷积网建立模型

6 Conclusion and Future Work

结论：
STGCN 时空图卷积 效果好
通过时空卷积块集成图卷积和门控时间卷积
未来：
未来，我们将进一步优化网络结构和参数设置。此外，我们提出的框架可以应用于更通用的时空结构化序列预测场景，如社交网络的演化和电子商务系统中的偏好预测等。

5 Related Works

4 Experiments

4.1 Dataset Description

<
最低0.47元/天 解锁文章

新学期VIP享超值加赠
dearr__
关注
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
羊城迷鹿的博客
09-13 899
研究问题 论文希望能实现多尺度交通预测，这是城市交通控制与引导的前提和基础，也是智能交通系统的主要功能之一。 背景动机 大多数方法(如线性回归)能够在短时间内进行良好的预测。然而，由于交通流的不确定性和复杂性，这些方法对于长期的预测效果较差。 动力学方法可以实现中长期的预测，但它需要使用切合实际的假设，并且会消耗较多的算力 基于统计的模型无法引入时空相关性 深度学习模型使用CNN和RNN来分别建模时空依赖，但是CNN针对的是网格数据，不适用于路网；RNN会导致训练错误的逐步累积，并且训练困难，耗时较长（这
STGCN论文阅读
qq_41848820的博客
09-29 1661
文章标题：《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》 背景 因为本文是第一篇将图卷积用于提取空间和时间信息的文章，故之前文章使用的仿真模型（资源浪费大、且不合理的假设和简化使得效果很差）、统计方法（时间流具有高度不确定性，不可靠）、rnn一类的方法（只提取了时间信息没有提取空间信息）、cnn一类的方法（只处理了空间信息，没有结合时间信息）都不太兴，所以本文将
【时空序列预测第八篇】Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forec
AI蜗牛车
04-14 1万+
作者| 大阳Vinc学校| 武汉大学研究| 深度学习出品 | AI蜗牛车前言时空序列问题包含两种形态：表格化数据和图片数据。而在这个系列此篇之前的文章所介绍的模型都是针对于解决...
【交通流预测】《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic For》论文详解
stt666的博客
01-16 5717
文章目录文章总结一、Abstract二、Introduction三、Methodology1. Problem Definition2. Graph Convolution Layer3. Temporal Convolution Layer4. Framework of Graph WaveNet四、Experiments1. 数据集2. Experimental Setups3. Experimental Results五、 Conclusion 点击论文下载链接：https://arxiv.
2018 Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
小卜妞的博客
04-08 2022
2018 [STGCN] Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 摘要 及时准确的交通预测对城市交通控制和指导至关重要。由于交通流的高非线性和复杂性，传统的方法不能满足的要求中长期预测任务，往往忽视时空依赖性。本文提出了一种新的深度学习框架——时空图卷积网络(STGCN)，以解决交通领域中的时间序列预测问题。我们没有应用正则卷积单位和递归单元，而是用图表示问
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting论文解读
小灰的博客
01-24 2255
这篇文章中文为时空图卷积网络： 用于交通预测的深度学习框架，归类于交通网络中的交通流预测
Spatio-Temporal Graph Convolutional Networks A Deep Learning Framework for Traffic Forecasting
qq_41451283的博客
07-22 1233
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 1.文章概述 在交通领域的预测问题，先前模型在短期预测上能取得较好的效果，但是在中长期的的预测中效果并不太好。 作者在文中将传统的中长期预测方法分为两种： 动态建模：使用数学工具和物理知识，该方法需要复杂的编程和巨大的算力消耗，且模型中使用了很多不切实际的假设和简化。 数据驱动：ARIMA该方法基于数据是平稳的假设不
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic
热门推荐
zzx3163967592的博客
07-14 1万+
IJCAI 2018，大体思路：使用Kipf & Welling 2017的近似谱图卷积得到的图卷积作为空间上的卷积操作，时间上使用一维卷积对所有顶点进行卷积，两者交替进行，组成了时空卷积块，在加州PeMS和北京市的两个数据集上做了验证。但是图的构建方法并不是基于实际路网，而是通过数学方法构建了一个基于距离关系的网络。原文链接：Spatio-Temporal Graph Convoluti...
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 论文笔记
cy_believ的博客
01-04 1752
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 论文笔记-----GCN在交通领域的应用（二） 一、论文翻译： 1、摘要： 及时准确地交通预测对于城市交通控制和指导具有至关重要的意义。由于交通流量的非线性和复杂性，传统的方法不能满足中长期预测任务的需求，并且往往会忽略时空数据的时间和空间依赖特性。在这篇论文中，为了处理在交通领域的时间序列预测问题...
Spatio-Temporal Graph Convolutional Networks（STGCN）组会汇报PPT
qq_51614331的博客
12-01 1335
时空图卷积网络（STGCN）：一种用于流量预测的深度学习框架 组会汇报ppt，ppt下载在评论区
Spatio-Temporal-Graph-Convolutional-Networks-A-Deep-Learning-Framework-for-Traffic-Forecasting:推介会
05-02
时空图卷积网络对交通预测的深入学习框架 参考 抽象的 时空图卷积网络 解决交通领域中的时间序列预测问题 完整的卷积结构。 介绍 线性回归在短期预测而非长期预测上表现良好 这是一种数据驱动且使用时空信息的方法。 充分利用空间信息，而不是将其视为离散单元 $$ \ hat v_ {t + 1}，...，\ hat v_ {t + H} = argmax log_ {10} P（v_ {t + 1}，...，v_ {t + H} | v_ {tM}，...，v_ {t}）$$ 其中$$ v_t \ in R ^ n $$，n是时间步长t的n个路段的观测向量 图上的卷积 标准化拉普拉斯算子 随机游走归一化拉普拉斯算子 类似于多元高斯分布 对称归一化的拉普拉斯算子L： 第一代GNC 第二代GNC 如果k == n，则接收域为n跳 第三代GNC 其中$$ c_1 $$，
Spatial Temporal Graph Convolutional Networks
02-10
时空图卷积网络用于基于骨架的动作识别，Spatial Temporal Graph Convolutional Networks for Skeleton Based Action Recognition，2018年AAAI论文
Spatio-temporal_Graph_Convolutional_Neural_Network.pdf
03-31
Spatio-temporal Graph Convolutional Neural Network: A Deep Learning Framework for Traffic Forecasting Bing Yu
交通预测论文笔记：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Frameworkfor Traffic Forecast
qq_40206371的博客
08-16 2192
0 abstract 由于交通数据极强的非线性和复杂性，传统方法很难进行中长期的交通预测。 我们提出了STGCN结构来解决交通领域的预测问题。我们的模型建立在卷积之上，有更快的训练速度和更少的参数。 1 introduction 交通预测问题，根据预测时间片的长度，可以分为：短期（5~30分钟）和长期（30分钟以上）。大部分统计方法在短期预测上效果很好，但是因为交通流数据的不确定性和复杂性，这些模型在长期预测上效果很一般。 早期关于中...
【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（3）
weixin_43360025的博客
05-10 1079
【论文阅读】Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting[时空图卷积网络: 用于交通预测的深度学习框架]（3）3. Proposed Model（模型）3.1 Network Architecture（网络结构）3.2 Graph CNNs for Extracting Spatial Features（用于提取空间特征的图CNN）3.3 Gated CNNs f
《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》
baidu_41300735的博客
08-14 934
《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》论文阅读笔记 摘要：及时准确的交通预测对于城市交通控制与指导至关重要。由于交通流量的非线性和复杂性，传统方法满足不了中长期预测任务的条件且经常忽略时间相关性和空间相关性。在本文中，我们提出了一个深度学习框架Spatio-Temporal Graph Convolutional Networks (STGCN) 以解
【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（4）
weixin_43360025的博客
05-11 4466
【论文阅读】Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting[时空图卷积网络: 用于交通预测的深度学习框架]（4）4. Experiments（实验）4.1 Dataset Description（数据集描述）4.2 Data Preprocessing（数据预处理）4.3 Experimental Settings（实验设置）4.4 Experiment Resul
【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（1）
weixin_43360025的博客
05-09 1685
【论文阅读】Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（1）0. Abstract1. Introduction（介绍） Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting 时空
matlab复现Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
最新发布
12-29
为了实现《Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting》中的方法，需要构建一个能够处理时空数据的框架。该框架主要由以下几个部分组成： #### 1. 数据...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值