교통 흐름 예측

Kirjaudu sisään

näkemys - 교통 흐름 예측

분해 기반 앙상블 학습 방법이 기존 방법보다 교통 흐름 예측에서 더 나은 성능을 보이며, 특히 EEMD 기반 방법이 가장 우수하지만, 데이터 세트 및 예측 기간에 따라 성능이 달라질 수 있다.

SGCN-LSTM 모델은 기존 모델 대비 향상된 정확도와 효율성을 제공하여 단기 교통 속도 예측 작업에서 SGCN의 공간적 특징 처리 능력과 LSTM의 시간적 패턴 모델링 기능을 효과적으로 결합합니다.

본 논문에서는 조합 최적화 계층과 신경망을 결합하여 기존 교통 흐름 예측 모델의 정확도를 향상시키는 WardropNet이라는 새로운 접근 방식을 제안합니다.

웨이블릿 기반 시간 주의 집중 메커니즘을 활용하여 교통 흐름의 시공간적 특성을 효과적으로 모델링하고 예측할 수 있다.

ST-MambaSync 모델은 효율적이고 정확한 교통 흐름 예측을 위해 공간-시간 데이터의 특성을 효과적으로 포착하고 모델링한다.

본 연구는 공간-시간 선택적 상태 공간 모델(ST-SSMs)을 제안하여 교통 흐름 예측의 정확성과 계산 효율성을 향상시킨다.

셀룰러 오토마타 기반 통계 역학 모델을 활용하여 교통 흐름 데이터를 생성하고, CNN-LSTM 딥러닝 모델을 통해 미래 교통 상태를 예측하는 방법을 제안한다.

본 연구는 계산 효율성과 정확성의 균형을 이루고, 지역 및 전역 시계열 정보에 대한 편향을 해결하며, 공간 및 시간 데이터에 대한 통합된 접근법을 제공하는 크로스-크로스 이중 스트림 강화 정류 트랜스포머 모델(CCDSReFormer)을 제안한다.

Tietoja

Tuotteet

Resurssit