主讲人：罗永
主讲时间：2024-05-31 15:00:00
主讲人简介：苏州大学智能交通科学技术专业在读博士研究生，主要研究方向为深度学习、交通流预测以及时空数据挖掘。
主讲内容：近年来，人工智能和深度学习等的发展，为基于数据驱动的交通态势预测提供了有力工具。现有的研究普遍认为交通流的时空关联性是不可分离的，并且已经开发了大量时空图神经网络预测模型（Spatial-Temporal Graph Neural Networks，STGNNs)来解决交通预测问题。然而，这些基于STGNNs的方法利用相互嵌入的时空特征融合方式来提取交通流的内在模式，严重依赖图的构造且训练效率较低。为解决上述问题，提出一种时空组合预测模型，旨在利用不同序列捕获方法的优势来获取交通流的内在依赖关系。具体而言，提出一种名为GT-LSTM的预测模型，其主要由特征拼接和模式捕捉两部分组成。在特征拼接方面，利用自适应图卷积网络（GCN）捕捉交通流的空间关系，并设计了一种非内嵌式方法来整合空间和时间状态。之后，将聚合的时空状态输入模式捕捉模块，通过有效利用时空卷积网络（TCN）和双向长短期记忆网络（Bi-LSTM）的优势来提取交通流的内在模式。在四个实际数据集上进行的大量实验表明，所提出的网络在预测准确性和训练效率方面都取得了优异的表现。
讲座地点：尊师楼214
主办部门：智能制造与智慧交通学院
主讲时间：2024-05-31 15:00:00
主讲人简介：苏州大学智能交通科学技术专业在读博士研究生，主要研究方向为深度学习、交通流预测以及时空数据挖掘。
主讲内容：近年来，人工智能和深度学习等的发展，为基于数据驱动的交通态势预测提供了有力工具。现有的研究普遍认为交通流的时空关联性是不可分离的，并且已经开发了大量时空图神经网络预测模型（Spatial-Temporal Graph Neural Networks，STGNNs)来解决交通预测问题。然而，这些基于STGNNs的方法利用相互嵌入的时空特征融合方式来提取交通流的内在模式，严重依赖图的构造且训练效率较低。为解决上述问题，提出一种时空组合预测模型，旨在利用不同序列捕获方法的优势来获取交通流的内在依赖关系。具体而言，提出一种名为GT-LSTM的预测模型，其主要由特征拼接和模式捕捉两部分组成。在特征拼接方面，利用自适应图卷积网络（GCN）捕捉交通流的空间关系，并设计了一种非内嵌式方法来整合空间和时间状态。之后，将聚合的时空状态输入模式捕捉模块，通过有效利用时空卷积网络（TCN）和双向长短期记忆网络（Bi-LSTM）的优势来提取交通流的内在模式。在四个实际数据集上进行的大量实验表明，所提出的网络在预测准确性和训练效率方面都取得了优异的表现。
讲座地点：尊师楼214
主办部门：智能制造与智慧交通学院