Multivariate event hypergraph diffusion model for train delay prediction
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
Train delay prediction is a key technology for train scheduling and timetable optimization, and constitutes a critical component of intelligent transportation systems. We present the first study on regional-level multi-train delay prediction problem, and focus on modeling the regional-level delay propagation and evolution process, and capturing coordinated operation status among multiple train clusters in the complex operation network. First, we propose a brand-new Multivariate Event Hypergraph Diffusion (MEHD) model, and introduce a novel data structure, the mixed hypergraph, which accurately models the spatio-temporal high-order correlations between the regional-level multi-train arrival events. Then, we propose a mixed hypergraph convolution method to characterize complex train operation network, which improves the ability to capture the spatio-temporal high-order correlations and non-Euclidean characteristics between events. Finally, we propose an event hypergraph diffusion process, and design a prior operational schedule-conditioned attention denoising module to enhance the ability to learn all train arrival event generation mechanisms. Extensive experiments demonstrate that our MEHD achieves superior performance compared to current state-of-the-art models on actual high-speed rail performance datasets, with an average improvement of 20%-30% on multiple metrics, and performs good robustness and efficiency. Subsequent experiments and analyses demonstrate the unique advantages of MEHD over single-train prediction methods. To the best of our knowledge, this is the first end-to-end model for regional-level multi-train delay prediction. The dataset and source code are available online: https://github.com/bjtuxuyi/MEHD .
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 | 0,001 |
| 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