Effiziente Vorhersage des Verkehrsaufkommens in mehreren Städten durch semantische Fusion und hierarchisches Lernen
Durch die Fusion verschiedener semantischer Informationen und hierarchisches Lernen kann ein Modell entwickelt werden, das Verkehrsaufkommen in Städten mit begrenzten Daten genau vorhersagen kann.
BjTT: Ein groß angelegter multimodaler Datensatz für die Verkehrsvorhersage
Verkehrsvorhersage erfordert multimodale Datensätze für Genauigkeit.
Selbstüberwachtes Entflechten gegen raumzeitliche Verschiebungen: Theorie und Modellierung
Die Entflechtung von raumzeitlichen Daten durch selbstüberwachtes Lernen verbessert die Vorhersagegenauigkeit in verschiedenen Szenarien.
Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction: A Comprehensive Study
Ein neuartiges Spatio-Temporales Selbstüberwachtes Lernframework (ST-SSL) wurde entwickelt, um Verkehrsmuster präzise vorherzusagen und sowohl räumliche als auch zeitliche Heterogenität zu berücksichtigen.
Effiziente Verkehrsvorhersage mit vortrainierten großen Sprachmodellen
TPLLM nutzt vortrainierte große Sprachmodelle für präzise Verkehrsvorhersagen in Regionen mit begrenzten historischen Daten.
Effektive Verkehrsvorhersage mit COOL: Spatio-Temporales Graph Neural Network
Effektive Verkehrsvorhersage durch COOL-Modell.
Graph Construction with Flexible Nodes for Traffic Demand Prediction: Innovative Approach
Innovative Graphenkonstruktion für präzise Verkehrsnachfragevorhersagen.