Transferable Traffic State Forecasting Using Meta-Learning with a Multi-Dimensional Spatio-Temporal Graph Attention Model
Notice bibliographique
Résumé
Traffic state forecasting plays a critical role in developing effective traffic control and management strategies. While machine learning (ML) approaches have become popular, owing to automatic spatio-temporal feature extraction, traditional ML approaches fail to generalize and adapt to unseen datasets, limiting their practical applicability. To boost generalization, researchers are increasingly turning to few-shot adaptation techniques, such as meta-learning, which focuses on learning how to learn and enabling rapid adaptation to unseen datasets using limited data. This study applies the Model-Agnostic Meta-Learning framework to a multi-dimensional spatio-temporal graph attention-based traffic prediction model (M-STGAT), producing a new model, called Meta M-STGAT. The goal is to improve forecasting performance through faster adaptation to unseen time periods. This study uses open-access traffic speed and lane closure data from the California Department of Transportation Performance Measurement System and corresponding weather data from the National Oceanic and Atmospheric Administration’s Automated Surface Observing System. Meta M-STGAT is compared against state-of-the-art traffic state forecasting models, including traditional M-STGAT, a multi-dimensional graph attention network, and a multi-dimensional long short-term memory network. Model performance is evaluated for 30-, 45-, and 60-min prediction horizons on one primary and three transfer datasets. Results show that Meta M-STGAT consistently outperforms all alternative state-of-the-art models across all transfer datasets and prediction horizons. The findings underscore the potential of meta-learning in enhancing traffic state forecasting and its practical implications for traffic management systems.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».