A Dynamic Spatio-Temporal Deep Learning Model for Lane-Level Traffic Prediction
Notice bibliographique
Résumé
Traffic prediction aims to predict the future traffic state by mining features from history traffic information, and it is a crucial component for the intelligent transportation system. However, most existing traffic prediction methods focus on road segment prediction while ignore the fine-grainedlane-level traffic prediction. From observations, we found that different lanes on the same road segment have similar but not identical patterns of variation. Lane-level traffic prediction can provide more accurate prediction results for humans or autonomous driving systems to make appropriate and efficient decisions. In traffic prediction, the mining of spatial features is an important step and graph-based methods are effective methods. While most existing graph-based methods construct a static adjacent matrix, these methods are difficult to respond to spatio-temporal changes in time. In this paper, we propose a deep learning model for lane-level traffic prediction. Specifically, we take advantage of the graph convolutional network (GCN) with a data-driven adjacent matrix for spatial feature modeling and treat different lanes of the same road segment as different nodes. The data-driven adjacent matrix consists of the fundamental distance-based adjacent matrix and the dynamic lane correlation matrix. The temporal features are extracted with the gated recurrent unit (GRU). Then, we adaptively fuse spatial and temporal features with the gating mechanism to get the final spatio-temporal features for lane-level traffic prediction. Extensive experiments on a real-world dataset validate the effectiveness of our 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 | 0,000 |
| 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 ».