近日,由我院完成的一篇深度学习模型应用研究论文“PFNet: 渐进式时空融合的大规模流量预测”被国际顶级刊物《IEEE Transactions on Intelligent Transportation Systems》接收并出版。
在大规模传感器构成的交通路网上进行交通预测对政策决策、城市管理和交通规划有着重大实用价值。近年来,一些基于图卷积的方法被提出。然而,由于计算复杂度高,并且无法在多个时间步长中充分集成具有较大拓扑距离的传感器之间的时空依赖性,使得它们仅限于小规模分析。为了解决这些问题,本文提出了一种新型的深度框架(PFNet)来进行大规模交通预测。PFNet使用深度多视图序列编码器(DMVSE)来建模时间相关性和使用图嵌入技术来捕获交通网络的空间相关性。由于充分利用了潜在的时间和空间表示,因此使用渐进式时空注意力(CPA)模块可以更全面地融合时空依赖性。最后在两个英格兰大规模数据集上验证了所提出的PFNet方法的优越性和高效性。PFNet模型主要架构见图1。成果论文题目为“PFNet: Large-Scale Traffic Forecasting With Progressive Spatio-Temporal Fusion”,我院研究生汪晨为论文第一作者,安徽师范大学计算机与信息学院为第一完成单位。
图1 PFNet模型主要框架示意图
TITS(IEEE Transactions on Intelligent Transportation Systems)是IEEE旗下智能交通系统领域的顶级刊物,2022年-2023年最新影响因子(IF)为8.5,在2022年12月最新升级版的中国科学院SCI期刊分区()中位列“工程技术”领域的第一区,Top期刊,在2022年《中国计算机学会推荐国际学术会议和期刊目录》中属于CCF-B类,是中国计算机学会(CCF)、中国自动化学会(CAA)重点推荐的高水平学术期刊。
该成果论文目前已在IEEE Xplore网站上刊登:***6697。