GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic
交通事故预测对城市公共安全、应急处理、建设规划等具有重要意义。然而,由于交通事故受多种因素影响,且对时空维度特征具有多尺度依赖性,因此对交通事故进行预测非常具有挑战性。同时,交通事故是罕见的事件,这导致了零膨胀问题。现有的交通事故预测方法无法同时处理上述问题。文中提出了一种新的交通事故风险预测模型GSNet,从地理和语义两个方面学习交通事故风险的时空关联。在该模型中,设计了时空地理模块来捕获区域间的地理时空关联,设计了时空语义模块来建模区域间的语义时空关联。此外,设计了一种加权损失函数来解决零膨胀问题。在两个真实的数据集上进行了广泛的实验,证明了GSNet相对于最先进的基线方法的优越性。
The GSNet Model
该模型的主要思想是融合地理和语义时空特征,以提高交通事故风险预测的准确性。图2展示了我们的GSNet模型的架构,该架构主要由两个模块组成,即时空地理模块和时空语义模块。具体而言,时空地理模块将时空网格特征和时间特征作为输入,利用卷积、门控单元(GRU)和时间注意力对区域间的地理时空关联进行建模;时空语义模块以图信号矩阵和时间特征作为输入,利用多个GCN、GRU和时间注意力捕获区域间语义时空关联;最后,将两个模块的输出动态融合以做出最终预测。
Spatial-Temporal (ST) Geographical (Geo) Module
ST Geo模块,如图2左侧所示,旨在捕获区域之间的地理时空相关性。首先利用卷积对地理空间相关性进行建模,然后利用GRU和时间注意力机制动态捕捉地理空间的短期和长期时间相关性。
Spatial-Temporal (ST) Semantic (Sem) Module
ST Sem模块,如图2右侧所示,用于捕获不同语义方面的时空相关性。利用3种图卷积网络分别建模3种空间相关性,即风险相似性、道路相似性和兴趣点相似性。与ST Geo模块一样,它利用GRU和时间注意力来捕捉语义空间特征的短期邻近性和长期周期性。最后,利用映射矩阵将图数据映射为网格数据。
Feature Fusion
一般而言,地理时空相关性和语义时空相关性对目标区域具有不同程度的影响。因此,我们使用两个权重矩阵和一个全连接层来动态融合ST Geo模块和ST Sem模块的输出,而不是拼接
GSNet: Learning Spatial-Temporal Correlations from Geographical and Semantic Aspects for Traffic相关推荐
- 【论文笔记】Semi-Supervised Active Learning with Temporal Output Discrepancy(ICCV 2021)
论文:Semi-Supervised Active Learning with Temporal Output Discrepancy 代码:https://github.com/siyuhuang/ ...
- MONODISTILL: LEARNING SPATIAL FEATURES FOR MONOCULAR 3D OBJECT DETECTION
Paper name MONODISTILL: LEARNING SPATIAL FEATURES FOR MONOCULAR 3D OBJECT DETECTION Paper Reading No ...
- Inductive Representation Learning In Temporal Networks via Causal Anonymous Walks
文章目录 1 前言 2 问题定义 3 CAW思路 3.1 Causal Anonymous Walk 3.1.1 Causality Extraction 3.1.2 Set-based Anonym ...
- 【论文导读】Time-Series Representation Learning via Temporal and Contextual Contrasting(时间和上下文对比的时间序列表示学习)
Time-Series Representation Learning via Temporal and Contextual Contrasting(通过时间和上下文对比的时间序列表示学习) 论文信 ...
- 【Day26 文献精读】Spatial–temporal interactions in the human brain
阅读文献: Oliveri, M., Koch, G., & Caltagirone, C. (2009). Spatial–temporal interactions in the huma ...
- Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction
Meta Graph Transformer: A Novel Framework for Spatial–Temporal Traffic Prediction 作者:Xue Ye, Shen Fa ...
- Learning to Adapt Structured Output Space for Semantic Segmentation
参考 Learning to Adapt Structured Output Space for Semantic Segmentation - 云+社区 - 腾讯云 目录 摘要: 1.简介 2.相 ...
- Effectively Learning Spatial Indices(VLDB)
机器学习,尤其是深度学习,被越来越多地用于更好地解决数据管理任务,这些任务以前是通过其他方法解决的,包括数据库索引.最近的一项研究表明,神经网络不仅可以学习预测与一维搜索键相关的数据值的磁盘地址,而且 ...
- spatial temporal graph convolutional network for skeleton-based action recognition
PPSIG:Paddlesports ST-GCN动作识别 - 飞桨AI Studio数据集为fsd-10花样滑冰,项目为ST-GCN从PaddleVideo抽取代码,可直接运行,acc为0.48 - ...
最新文章
- Linux 中的虚拟网络
- JavaScript 开发10个实用技巧
- telnet 查看端口是否可访问
- 微基准测试 r_在您的构建过程中添加微基准测试
- Eclipse 安装插件报错:An error occurred while collecting items to be installed session context was...解决方法汇总
- 细说WCF中的会话模式
- python pexpect 学习与探索
- 探索性测试 之 极速测试
- AutoCad 二次开发(一) 开发环境搭建
- 计算机数据结构模拟试题,十套计算机数据结构试题及答案.doc
- input输入框 去掉外边框 解决方案
- ☆ C++ 继承与派生(包括虚继承)
- B2B平台显现5大价值特征和6种商业创新模式
- FREENAS虚拟机Jails配置全攻略(多篇集合)
- SAP 创建利润中心标准层次
- 集合类超级无敌史无前例的超详细总结
- Web安全攻防 信息收集篇(仅供交流学习使用,请勿用于非法用途)
- 计算机找不到wlan,Win10网络设置找不到wlan选项怎么办
- 燃气热水器的主要部件及维修常识
- 概率论与数理统计(一)知识框架