Adaptive bidirectional spatial-temporal prediction model for traffic speed in large-scale road networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Large-scale road network traffic speed prediction plays a critical role in urban computing tasks and ensures the smooth flow of city traffic. Graph Convolutional Networks (GCNs) have natural advantages in representing non-Euclidean data. However, Laplacian-based GCNs are built on the assumption of an undirected graph, which is inconsistent with the directed graph formed by large-scale road traffic networks represented by sensors. To this end, we propose a novel Adaptive Bidirectional Spatial-Temporal Network (ABSTN) for urban traffic speed prediction. Specifically, we develop an Adaptive Bidirectional Graph Convolutional Unit (ABGC). On the one hand, ABGC maintains 2 heterogeneous embedding dictionaries to learn the potential pairwise relationships between nodes. On the other hand, ABGC simultaneously performs GCN operations on out-/in-degree to capture the up-/down-stream relationships of traffic flow. Subsequently, ABGC acts as a linear layer is embedded in Gated Recurrent Units (GRUs) to jointly capture spatial-temporal dependencies. Furthermore, we introduce an Interactive Multi-head Attention block (IMA) within the encoder-decoder framework to achieve long-range dependency modeling in the temporal dimension. Finally, a scheduled sampling scheme is employed to enhance the model’s generalization for multi-step prediction. Extensive experiments on two real-world traffic speed datasets demonstrate that the proposed ABSTN achieves state-of-the-art performance.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 découle