Adaptive dynamic graph learning for forecasting urban multimodal flow
Notice bibliographique
Résumé
The increasing diversity and integration of transportation modes is changing urban mobility, resulting in complex spatiotemporal urban flow patterns. The current forecasting models, which typically rely on static or manually defined graph structures, are inadequate for capturing the dynamic spatial heterogeneity and complex cross-modal interactions that are present in real urban systems. To address these limitations, this study introduces a multimodal dynamic graph neural network (MM-DyGNN), a novel deep learning model that is designed for urban multimodal flow prediction. MM-DyGNN introduces three key innovations: (i) a time-varying multimodal graph learning module based on Tucker decomposition that adaptively constructs mode- and time-specific diffusion graphs; (ii) a sparse cross-modal interaction module that employs a top-k strategy to capture the most relevant region–mode dependencies; and (iii) an adaptive multitask learning strategy with uncertainty weighting to balance heterogeneous modal objectives. Comprehensive experiments conducted on real-world urban mobility datasets demonstrate that the MM-DyGNN significantly outperforms the baseline models in terms of forecasting accuracy. Ablation studies further validate the effectiveness of each component and demonstrate the ability of the model to interpret dynamic spatiotemporal dependencies and cross-modal interactions. This work provides a methodological foundation for understanding and managing the evolving complexities of urban mobility.
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 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 | 0,000 | 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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».