【Traffic】时空图 + Transformer：文章合集 | Transformer 模型的局限性 | SOTA模型：TPGraph，DmgSTGAT，ProSTformer...

最新推荐文章于 2025-08-16 13:58:27 发布
置顶 最新推荐文章于 2025-08-16 13:58:27 发布
阅读量119 收藏 2
点赞数 3
CC 4.0 BY-SA版权
分类专栏： 百题千解计划(项目 实战 案例） 文章标签： transformer 图神经网络 交通预测 深度学习 人工智能 Traffic ITS
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。
本文链接：https://blog.csdn.net/qq_44731019/article/details/131999248

附：圈1到圈30的写法：

①、②、③、④、⑤、⑥、⑦、⑧、⑨、⑩、⑪、⑫、⑬、⑭、⑮、⑯、⑰、⑱、⑲、⑳、㉑、㉒、㉓、㉔、㉕、㉖、㉗、㉘、㉙、㉚。

2024年交通流量预测领域5篇高质量论文均采用Transformer模型，聚焦时空特征融合。TPGraph提出多尺度时空特征融合框架，结合多头注意力和图卷积网络；DmgSTGAT利用多粒度时空相关性捕捉周期性模式；ProSTformer设计渐进式自注意力机制优化计算效率；SDSTGNN融合LSTM与Transformer处理水路交通预测；MPGNNFormer通过图神经网络聚类和Transformer模型实现多场景预测。2023年研究继续深化时空分离嵌入等Transformer应用，表明Transformer在提升交通预测准确性方面的持续优势。

 
我们抬头便看到星光，星星却穿越了万年.

 
在这里插入图片描述

 

🎯作者主页： 追光者♂🔥

        

🌸个人简介：
 
📝[1] CSDN 博客专家📝 
 
🏆[2] 人工智能领域优质创作者🏆
 
🌟[3] 2023年城市之星领跑者TOP1(哈尔滨)🌿
 
🌿[4] 2022年度博客之星人工智能领域TOP4🌟
 
🏅[5] 阿里云社区特邀专家博主🏅
 
💖[6] 软件工程硕士💖

  • 无限进步，一起追光！！！

        

🍎感谢大家 点赞👍  收藏⭐   留言📝！！！

        

目录

了解本专栏 订阅专栏 解锁全文
【交通 Traffic & Transformer】同一篇文章，内容排版稍有不同 | 交通预测模型中，Transformer相比传统GCN模型有何优势？
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
05-30 144
Transformer相比传统GCN模型在交通预测中具有三大核心优势：1动态空间依赖建模： 通过自注意力机制自动学习节点间的动态关系，摆脱了GCN依赖预定义静态邻接矩阵的局限，能更准确反映交通流的实际时空相关性。2长程依赖捕捉能力：多头注意力机制可同时建模局部和全局依赖关系，解决了GCN因消息传递机制导致的远距离节点信息衰减问题。3层次化特征提取： 通过堆叠Transformer层实现特征的多层级抽象（如架构图中的全局编码器和局部解码器协同），而GCN通常只能进行单层空间聚合。实验证明该模型在PeMS等基准
Spatial-Temporal Graph Transformer for Multiple Object Tracking
04-08 2750
作者提出了一个时空图transformer（STGT）的方法，利用图Transformer去建模目标时间和空间的交互。 通过将追踪到的目标的轨迹看作为一个稀疏赋权图进行有效建模目标间的交互，通过图构建一个空间图Transformer、一个时间Transformer编码层和一个空间图Transformer解码层。通过一个级联关联框架来处理低的分的检测和长程遮挡。
【亲测免费】 引领未来步行轨迹预测——STAR：时空图Transformer网络
gitblog_00164的博客
09-11 593
引领未来步行轨迹预测——STAR：时空图Transformer网络 在复杂多变的人流环境中，准确预测行人的移动路径是自动驾驶、智能城市等领域的关键挑战之一。今天，我们将探索一个卓越的开源项目——STAR（Spatio-Temporal Graph Transformer Networks），它为行人轨迹预测带来了一场革新。通过将先进的图神经网络与Transformer技术相结合，STAR在预测精度...
ICCV2021 | 用于视觉跟踪的学习时空型transformer
CV技术指南（微信公众号）
12-10 3354
前言 本文介绍了一个端到端的用于视觉跟踪的transformer模型，它能够捕获视频序列中空间和时间信息的全局特征依赖关系。在五个具有挑战性的短期和长期基准上实现了SOTA性能，具有实时性，比Siam R-CNN快6倍。 本文来自公众号CV技术指南的论文分享系列 关注公众号CV技术指南 ，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读。 论文：Learning Spatio-Temporal Transformer for Visual Tracking 代码：https://g.
【ECCV2020】Spatio-Temporal Graph Transformer Networks for Pedestrian Trajectory Prediction
zn0412的博客
10-21 3604
【ECCV2020】用于行人轨迹预测的时空图变换器网络 摘要        了解人群运动动力学对于现实世界的应用至关重要，例如监控系统和自动驾驶。这是具有挑战性的，因为它需要对具有社会意识的人群空间交互和复杂的时间依赖性进行有效建模。我们认为注意力是轨迹预测的最重要因素。在本文中，我们提出了 STAR，这是一个时空图 tRans-former 框架，它仅通过注意机制来处理轨迹预测。 STAR 通过 TGConv 对图内人群交互进行建模，
比时序预测更具挑战性：港科大提出不规则时间序列预测任务新基准与方案 | ICML 2024...
Paper weekly
08-27 2281
背景尽管多变量时间序列（MTS）预测已受到广泛研究，但大多数工作主要聚焦于规则采样且完整观测的 MTS。相比之下，不规则多变量时间序列（IMTS）预测中存在的挑战，即不规则的采样频率及数据缺失问题，却未得到足够重视。实际上，IMTS 在医疗保健、生物力学、气候科学、天文学以及金融等多个科学领域十分常见。准确预测 IMTS 对于支持从决策制定到前瞻性规划等各类关键活动至关重要。与采样规则的 MTS ...
【论文阅读】SST: Multi-Scale Hybrid Mamba-Transformer Experts for Long-Short Range Time Series Forecasting
有时候，想要一块二向箔
10-15 1577
尽管时间序列预测取得了重大进展，但现有的预测器常常忽视长期和短期时间序列之间的异质性，导致实际应用中的性能下降。在这项工作中，我们强调需要针对不同范围制定不同的目标。我们指出，时间序列可以分解为全局模式和局部变化，这应该在长期和短期时间序列中分别解决。为了实现这些目标，我们提出了一种多尺度混合 MambaTransformer 专家模型 （SST）。
iTransformer：倒置Transformer结构在时间序列预测中的高效性
最新发布
hasakie的博客
08-16 153
《iTransformer：时序预测的维度重构方法》针对传统Transformer在多变量时序预测中的局限性（忽略变量差异、计算复杂度高等），提出创新架构：将变量维度作为注意力机制的作用域，时间维度交由前馈网络处理。该方法在7个数据集上平均MSE提升8.2%，高维数据表现尤为突出（如交通数据MSE降低35.6%），并展现优秀的变量泛化能力和长序列处理优势。实验验证其通用性（可适配多种Transformer变体）和可解释性，同时通过动态采样策略降低70%内存消耗。该工作为时序预测提供了新的基础架构范式。
LLM Based Multi-Agent System 基于 AI 大模型的多智能体系统
AI大模型应用之禅
08-27 1383
LLM-based Multi-Agent System 基于 AI 大模型的多智能体系统 > 关键词：大语言模型、多智能体系统、人工智能、协作、自主性、分布式智能、任务分解
基于时空Transformer的社交网络信息传播预测
weixin_70923796的博客
07-21 216
本节我们将要介绍用到的符号，并阐述要解决的信息传播预测任务.定义1. 静态社交图.静态社交图定义为有向图 G=(V,E)，其中V和E分别表示用户集和边集.如果用户u关注了用户v，那么eu,v=1.
【论文翻译】STGormer：导航时空异质性，一种用于交通预测的图Transformer方法
double_piga的博客
09-10 1536
该论文提出了一种新颖的时空图Transformer模型，称为STGormer，用于交通预测。具体来说，该模型结合了交通数据中的属性和结构信息，能够有效地建模时空相关性，并通过混合专家模块捕捉交通流预测中的时空异质性。通过结合来自时空图的简单但有效的结构编码，该模型显著提高了预测准确性，并增强了Transformer理解图结构信息的能力。
基于Transformer和图卷积网络的时空人体运动预测网络
babyai996的博客
12-02 1304
本文主要介绍了基于Transformer和图卷积网络的时空人体运动预测网络。首先，文章详细阐述了Transformer模型的原理和优点，指出其通过自注意力机制实现序列数据的建模和处理，能够捕捉长距离依赖关系。然后，文章介绍了图卷积网络的基本概念和应用场景，强调其通过邻居节点信息聚合实现空间特征的提取和融合。接着，文章详细设计了时空人体运动预测网络的总体架构，包括基于Transformer的时间特征提取模块、基于图卷积的空间特征融合模块以及时空特征联合预测模块。
基于时空Transformer的短时交通流预测
zuiyishihefang的博客
05-06 7383
1、文章信息《Spatial-Temporal Transformer Networks for Traffic Flow Forecasting》。今年贴在arXiv上的一篇文章。2、...
使用Transformer融合时空信息的自动驾驶感知框架
PerceptionX的博客
06-29 2518
本文提出了一套基于Transformer和时序模型在鸟瞰图视角下优化特征的环视物体检测方案，即BEVFormer。nuScenes数据集上以NDS指标（类似mAP），在camera only赛道中 大幅领先 之前方法。本文旨在介绍我们在设计BEVFormer过程中考虑的思路、比较的多种方法、以及下一步可能的研究方向。...
【另外一款爱心——html实现（附源代码）】
热门推荐
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
11-10 6万+
代码 <!doctype html> <html> <head> <meta charset="utf-8"> <title>canvas爱心</title> <style> html, body { height: 100%; padding: 0; margin: 0; background: #000; } canvas { position: absolute; width: 100%;
（已更新）【Idea】Process finished with exit code 0 是什么意思？这个“报错”该如何解决？
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
03-22 2万+
在【Idea】中运行一个Java程序的时候，运行成功后，出现了如下语句，这是什么意思？ 即：Process finished with exit code 0 经过百度翻译之后发现，是如下意思： Process finished with exit code 0 进程已完成，退出代码为0 该语句： 表示你的程序正常执行完毕并退出。 对于 exit code，在大部分编程语言中都适用； exit code 0 表示程序执行成功，正常退出； exit code 1 表示程序执行执行过程中遇到了某些问题或者
HTML——表白（效果+代码）
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
03-03 2万+
目录效果代码说明 效果 代码 demo.html <!DOCTYPE html> <html lang="en"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <meta http-equiv="X-UA-Compatible" content="ie=ed
【基于Web的网上书城——开题报告 分享（仅供参考呀）】
追光者♂：记录、分享、总结、提升，现象级专栏《Python从入门到人工智能》作者，无惧黑暗，坚信曙光
01-14 1万+
目录一、选题的依据及意义二、国内外研究现状及发展趋势三、本课题研究内容四、研究目标、主要特色及工作进度五、参考文献 一、选题的依据及意义 网上购书的优势在于选择面大、价格便宜、交易方便、节省时间和精力等。整个图书市场一片繁荣，在这种情况下，网上书店的加入无疑将使得竞争更加激烈，但从另一个方面看，只有在这种激烈的竞争下，网上书店的优势才能得以体现。在中国，网上书店有发展的必要，也有发展的基础，发展网上书店的各方面条件也日趋成熟，但是还存在一些问题，只有把问题解决好了，才能保证网上书店的蓬勃发展。 《网上书城
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

打赏作者

追光者♂

谢谢你呀！一起加油！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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