Unified Spatio-Temporal Modeling for Traffic Forecasting using Graph\n Neural Network
Notice bibliographique
Résumé
Research in deep learning models to forecast traffic intensities has gained\ngreat attention in recent years due to their capability to capture the complex\nspatio-temporal relationships within the traffic data. However, most\nstate-of-the-art approaches have designed spatial-only (e.g. Graph Neural\nNetworks) and temporal-only (e.g. Recurrent Neural Networks) modules to\nseparately extract spatial and temporal features. However, we argue that it is\nless effective to extract the complex spatio-temporal relationship with such\nfactorized modules. Besides, most existing works predict the traffic intensity\nof a particular time interval only based on the traffic data of the previous\none hour of that day. And thereby ignores the repetitive daily/weekly pattern\nthat may exist in the last hour of data. Therefore, we propose a Unified\nSpatio-Temporal Graph Convolution Network (USTGCN) for traffic forecasting that\nperforms both spatial and temporal aggregation through direct information\npropagation across different timestamp nodes with the help of spectral graph\nconvolution on a spatio-temporal graph. Furthermore, it captures historical\ndaily patterns in previous days and current-day patterns in current-day traffic\ndata. Finally, we validate our work's effectiveness through experimental\nanalysis, which shows that our model USTGCN can outperform state-of-the-art\nperformances in three popular benchmark datasets from the Performance\nMeasurement System (PeMS). Moreover, the training time is reduced significantly\nwith our proposed USTGCN model.\n
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».