Optimal Graph Information Fused Graph Attention Network for Traffic Flow Forecasting
Notice bibliographique
Résumé
To manage and make decisions about intelligent transportation systems more efficiently, accurate traffic flow forecasting is necessary. Traffic flow forecasting has complex spatial correlation and time dependence. Most current research models are based on a predefined graph structure with a priori knowledge for prediction, which cannot well extract the hidden spatial relationships in traffic data. In this paper, we propose the Optimal Graph Information Fused Graph Attention Network (OGIF‐GAT). Specifically, we learn the actual connections between nodes and the hidden spatial relationships through the multigraph feature fusion structure. Next, we design a new graph attention network (GAT), which improves the problem of ignoring edge features in the graph structure in the traditional GAT model and considers their edge features when estimating the correlation of each neighboring node pair: the effect that the distance factor between neighboring nodes has on the spatial correlation. In addition, we use the temporal hybrid transformer (THT) to learn temporal dependencies. Extensive experiments on four public transportation datasets (PeMS04, PeMS08, PeMS‐BAY, and METR‐LA) demonstrate that our model achieves the optimal level of traffic flow prediction accuracy on all of them and is shown to have strong generalization ability. Compared to STSGCN, the mean absolute error (MAE) decreases by 7.9%, 10.3%, 33.2%, and 19.6%, respectively.
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 ».