时空图专题
时空图卷积网络：用于交通流量预测的深度学习框架-1
摘要 准确的交通预测对于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需求，且往往忽略了空间和时间的依赖关系。本文提出一种新的深度学习框架——时空图卷积网络(STGCN)来解决交通领域的时间序列预测问题。本文没有应用常规的卷积和递归单元，而是在图上形式化问题，并构建具有完整卷积结构的模型，以较少的参数实现更快的训练速度。实验表明，所提出模型STGCN
【论文精读】Graph WaveNet-深度时空图模型
Graph-WaveNet 模型是悉尼科技大学的 Wu 等人发表在 I J C A I 2019 IJCAI 2019 IJCAI2019 会议上一个深度时空图预测模型，论文题目为: 《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》，文章地址为:
【深度学习】【STWave】时空图预测，车流量预测，Efficient Spectral Graph Attention Network
Spatio-Temporal meets Wavelet: Disentangled Traffic Flow Forecasting via Efficient Spectral Graph Attention Network 代码：https://github.com/LMissher/STWave 论文：https://arxiv.org/abs/2112.02740 帮助： http
KDD2020 | 混合时空图卷积网络：更精准的时空预测模型
来源：新智元 本文约5000字，建议阅读10+分钟 本文提出的混合时空图卷积网络，利用导航数据大大提升了时空预测的效果。 [ 导读 ]时空预测在天气预报、运输规划等领域有着重要的应用价值。交通预测作为一种典型的时空预测问题，具有较高的挑战性。以往的研究中主要利用通行时间这类交通状态特征作为模型输入，很难预测整体的交通状况，本文提出的混合时空图卷积网络，利用导航数据大大提升了时空预测的效果（本
混合时空图卷积网络：能“推导”未来路况的智能算法
2020云栖大会于9月17日-18日在线上举行，阿里巴巴高德地图携手合作伙伴精心组织了“智慧出行”专场，为大家分享高德地图在打造基于DT+AI和全面上云架构下的新一代出行生活服务平台过程中的思考和实践，并重点分享了「高精地图、高精算法、智能时空预测模型、自动驾驶、AR导航、车道级技术」等话题。 「高德技术」把本场讲师分享的主要内容整理成文并陆续发布出来，本文为第3篇。 【演讲视频播放地址
局部自适应时空图神经网络
KDD2023 摘要 时空图模型是抽象和建模时空依赖关系的主流。在这项工作中，我们提出了以下问题:我们是否以及在多大程度上可以局部化时空图模型?我们将研究范围限制在自适应时空图神经网络(astgnn)，这是最先进的模型架构。我们的定位方法涉及到空间图邻接矩阵的稀疏化。为此，我们提出了自适应图稀疏化(AGS)，这是一种图稀疏化算法，它成功地使astgnn的本地化达到了极限(完全本地化)。我们
时空图卷积网络STGCN用于交通预测的深度学习框架python程序源代码+设计文档
时空图卷积网络：一个用于交通预测的深度学习框架 摘要 及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法不能满足中长期预测任务的要求，往往忽略了空间和时间的相关性。本文提出了一种新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。我们不使用正则卷积和递归单元，而是在图上构造问题，并建立具有完全卷积结构的模型，实验表明，该模
AAAI2021论文速递：基于时空图扩散网络的交通流量预测
1、文章信息 《Traffic Flow Forecasting with Spatial-Temporal Graph Diffusion Network》。这是华南理工大学和京东数科合作发表在计算机顶级会议AAAI2021上的一篇文章。 2、摘要 在各种时空挖掘应用中，例如智能交通控制和公共风险评估，准确预测整个城市的交通流量一直发挥着至关重要的作用。尽管先前的工作已为学习交通时序动态和空间
【图神经网络 · 科研思考4】动态图数据集相关 wikipedia.csv；跨域节点表示学习；跨域自监督；动态时空图跨域；无监督领域适应方法？
这是2023年11月份的部分科研思考（四），主体内容围绕【图神经网络】展开，科研疑问解答 & 科研基础概念了解 & 科研方向，仅学习使用。 🎯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] 2022年度博客之星人工智能领域TOP4🌟 🌿[4] 2023年
用于动作识别的时空图卷积ST-GCN
1 前言 最近参加了CCF举办的比赛，并选了一个与之前研究相关性并不大的赛题。赛题主要是做基于人体骨架的动作识别的，正好借此机会学一下相关知识。 官方给出的baseline有两个，一个是ST-GCN（2017），一个是AGCN（2019）。两者都不算是很新的文章，但是对我这个小白入门来说足够了。 基于骨架的动作识别（Skeleton-Based Action Recognition）主要任务是从