Accedi
approfondimento - 교통 흐름 예측
균형 증강 학습을 통한 교통 흐름 예측: WardropNet
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 활용한 교통 흐름의 시공간적 예측
웨이블릿 기반 시간 주의 집중 메커니즘을 활용하여 교통 흐름의 시공간적 특성을 효과적으로 모델링하고 예측할 수 있다.
ST-MambaSync: 공간-시간 Mamba 구조와 Spatio-Temporal Transformer의 융합을 통한 급격한 교통 예측
ST-MambaSync 모델은 효율적이고 정확한 교통 흐름 예측을 위해 공간-시간 데이터의 특성을 효과적으로 포착하고 모델링한다.
교통 예측을 위한 공간-시간 선택적 상태 공간 모델
본 연구는 공간-시간 선택적 상태 공간 모델(ST-SSMs)을 제안하여 교통 흐름 예측의 정확성과 계산 효율성을 향상시킨다.
셀룰러 오토마타 기반 모델과 CNN-LSTM 아키텍처를 활용한 교통 흐름 예측을 위한 딥러닝
셀룰러 오토마타 기반 통계 역학 모델을 활용하여 교통 흐름 데이터를 생성하고, CNN-LSTM 딥러닝 모델을 통해 미래 교통 상태를 예측하는 방법을 제안한다.
교통 흐름 예측을 위한 크로스-크로스 이중 스트림 강화 정류 트랜스포머 모델
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.
Chi Siamo
Prodotti
© 2024 by Linnk AI