Bidirectional Spatial–Temporal Graph Convolutional Model: Traffic Flow Forecasting With Enhanced Extended Capabilities
Notice bibliographique
Résumé
Traffic flow forecasting, as a crucial component of intelligent transportation systems (ITS), enables the prediction of future traffic conditions based on historical traffic data, thereby optimizing travel strategies and achieving the goal of reducing traffic congestion. Considering the limited nature of specific road network spatial structures, specific road network datasets often overlook the influence of surrounding networks on the network itself, motivating the need for a framework that captures boundary interactions. This paper introduces the bidirectional spatial–temporal expanded graph convolutional model (Bi‐STEGCM) to traffic flow forecasting. This addresses the limitations of conventional models, particularly in capturing spatial features and managing missing or anomalous data. The Bi‐STEGCM reconstructs and aggregates traffic data while preserving the temporal dynamics of traffic flow. This offers a more nuanced representation of the spatiotemporal dynamics within road networks. The model utilizes causal convolution for temporal feature extraction and an auto‐regressive moving average (ARMA) filter for spatial feature extraction. It integrates these with bidirectional graph convolution to aggregate spatial features across various layers. Validation using real‐world traffic datasets PEMS03, PEMS04, PEMS07, and PEMS08 demonstrates that the Bi‐STEGCM outperforms state‐of‐the‐art models, including spatial–temporal synchronous graph convolutional networks (STSGCN) and spatial–temporal fusion graph neural networks (STFGNN), across three key evaluation metrics. Notably, the Bi‐STEGCM requires significantly fewer parameters and less training time than its counterparts, rendering it a more efficient and effective solution for traffic flow forecasting tasks.
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) | 0,000 | 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 ».