An Attention Encoder-Decoder Dual Graph Convolutional Network with Time Series Correlation for Multi-Step Traffic Flow Prediction
Notice bibliographique
Résumé
Accurate traffic prediction is a powerful factor of intelligent transportation systems to make assisted decisions. However, existing methods are deficient in modeling long series spatio-temporal characteristics. Due to the complex and nonlinear nature of traffic flow time series, traditional methods of prediction tasks tend to ignore the heterogeneity and long series dependencies of spatio-temporal data. In this paper, we propose an attentional encoder-decoder dual graph convolution model with time-series correlation (AED-DGCN-TSC) for solving the spatio-temporal sequence prediction problem in the traffic domain. First, the time-series correlation module calculates the sequence similarity by fast Fourier transform and inverse fast Fourier transform, while obtaining multiple possible lengths as possible solutions for the sequence period length. Then, K possible periods fetches are selected and the corresponding sequences are weighted and aggregated to the target sequence. Then, the gated dual graph convolution recurrent unit uses the graph convolution operation, which combines the ideas of node embedding, and dual graph, as an operation inside the gated recurrent structure to capture the spatio-temporal heterogeneity relationship of long sequences. The gated decomposition recurrent module decomposes the time series into the period and trend terms, which are modelled by convolutional gated recurrent unit (ConvGRU) and then fused with features, respectively, and output after graph convolution. Finally, multi-step prediction of future traffic flow is performed in the form of encoder-decoder. Experimental evaluations are conducted on two real traffic datasets, and the results demonstrate the effectiveness of the proposed model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».