Latent-Topology Graph State-Space Model (LT-GSSM) for Robust Traffic Fore-Casting
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
Accurate traffic forecasting remains challenging when sensor data are noisy, incomplete, or non-stationary. Recent advances in spatio-temporal learning have combined Graph Neural Networks (GNNs) with recurrent, convolutional, or attention mechanisms to capture spatio-temporal dependencies. However, most existing approaches remain largely deterministic and rely on fixed or pre-learned adjacency matrices, limiting their adaptability when network structures evolve or sensor reliability varies. Some methods further stack multiple adjacency matrices to represent complex spatial relations, yet still lack explicit mechanisms to model uncertainty, resulting in reduced robustness under degraded data conditions. This work introduces the Latent Topology Graph State-Space Model (LT-GSSM), a probabilistic framework designed to enhance robustness and adaptability in traffic forecasting. LT-GSSM represents the road network as a latent dynamic graph whose structure evolves over-time through dynamic adjacency learning based on past hidden states and observations, enabling the model to capture evolving spatial correlations such as congestion propagation. Temporal dependencies are modelled by a nonlinear state-space function implemented with a Temporal Convolutional Network (TCN), which captures long-range temporal patterns without recurrence. The probabilistic state-space formulation explicitly represents sensor noise and handles missing data through probabilistic estimation inspired by Kalman filtering. By jointly integrating dynamic graph learning, explicit noise modelling, and nonlinear temporal transitions, LT-GSSM achieves greater stability and resilience to data uncertainty. Experiments on SUMO simulations and real-world PeMS datasets show that LT-GSSM consistently outperforms static and adaptive-graph models, providing a strong foundation for robust spatio-temporal forecasting under uncertain conditions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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