Intersection-Level Turning Movement Flow Prediction Using an Adaptive Spatiotemporal Feature Fusion Network
Notice bibliographique
Résumé
Accurate and timely prediction of intersection-level turning movement flow (TMF) is critical for intelligent traffic signal control and real-time signal optimization. However, due to the high nonlinearity, complex interactions, and dynamic temporal variability of intersection traffic flow, the prediction task is more challenging than traditional road segment-level traffic flow forecasting. Currently, the majority of intersection-level TMF prediction studies predominantly adopt a single-model methodology for forecasting, often neglecting the potential contributions of exogenous features. To address this gap, this paper proposes a deep learning framework (AFF-GL) that parallelly integrates Residual Graph Convolutional Neural Networks (ResGCN) and Convolutional Neural Networks (ResCNN), with a two-layer Residual Long Short-Term Memory Network (ResLSTM). Firstly, in this framework, an improved ResGCN is designed to extract multi-scale features. Secondly, the ResCNN is constructed to capture time features. Then, an adaptive feature fusion mechanism is proposed to integrate the extracted information from the temporal and spatial relationship inherent in the traffic flow. Additionally, the incorporation of a two-layer ResLSTM further extracts the fusional spatiotemporal features and achieves the final prediction. At last, experimental results conducted on a real-world dataset collected from 15 intersections in Milton, Ontario, Canada, demonstrate that AFF-GL outperforms several existing renowned models in terms of prediction accuracy, stability, and generalization ability.
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) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».