张量分解动态图网络

异变流量捕捉更准

在预定义人群流动图之外，引入Tucker分解增强的动态图学习，让模型也能捕捉异常变化，而不仅是历史常规模式。

Dai, Genan · Kong, Weiyang · Liu, Yubao · Zhang, Bowen · Peng, Xiaojiang · 樊小毛 · Hu, Huang

ACM Transactions on Intelligent Systems and Technology 2025

技术优势

能捕捉异常流量

利用Tucker分解对自适应学习张量进行分解，动态调整图结构，从而捕捉到预定义图无法反映的异常变化。

多尺度时空融合

采用多尺度3DGCN挖掘并融合不同尺度的时空信息，进一步提升预测性能。

应用场景

• 城市交通管理：实时预测人流变化，辅助交通疏导和信号优化，提前应对拥堵和异常事件。
• 公共安全监控：及时发现异常人群聚集和流动模式，为公共安全预警提供数据支持。
• 智慧城市运营：作为城市级人流态势感知组件，为智慧城市运营提供精准的流量预测服务。