Multisource Data Fusion With Graph Convolutional Neural Networks for Node‐Level Traffic Flow Prediction
Notice bibliographique
Résumé
With the rapid development of transport technology and the increasing complexity of traffic patterns, integrating multiple data sources for traffic flow prediction has become crucial to overcome the defects of a single data source. This paper introduces a multisource data fusion approach with graph convolutional neural networks (GCNs) for node‐level traffic flow prediction. Specifically, it extracts different types of traffic flows from multiple data sources and constructs a unified graph structure by using global traffic nodes to interpolate the traffic flow. In addition, a GCN combined with gated recurrent units (GRUs) is proposed for spatiotemporal modeling of data fusion and traffic flow prediction. The main contributions are: (1) The approach significantly improved prediction accuracy by leveraging multiple data sources compared to a single source. (2) A unified graph structure was created via global traffic nodes to interpolate traffic flow and address data sparsity. (3) The proposed model demonstrates an over 11% improvement in accuracy compared to other baseline models, as measured by the weighted mean absolute percentage error (WMAPE). It also exhibits stability in multitime scale predictions, highlighting the effectiveness of multisource data fusion, data imputation, and node‐level prediction capabilities. The approach provides valuable insights for managing urban traffic data from multiple sources and predicting traffic flow, and it shows stability in multitime scale predictions.
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 ».