サインイン
インサイト - 交通予測
グラフ剪定に基づく空間時間グラフ畳み込みネットワークと転移学習によるトラフィック予測
都市化の進行と人口の急増に伴い、交通渋滞の問題がますます深刻化している。本研究では、グラフ剪定と転移学習の手法を組み合わせた新しい空間時間グラフ畳み込みネットワークモデル(TL-GPSTGN)を提案し、限られたデータでも高精度なトラフィック予測を実現する。
長距離および長期的な交通予測を強化するための空間時間マルチグラニュラリティフレームワーク
提案するSTMGFフレームワークは、道路ネットワークの長距離および長期的な依存関係をより効果的に捉えることができ、予測精度を向上させる。
大規模言語モデルを用いた交通流予測の説明可能性
大規模言語モデルを活用することで、交通流の予測精度を維持しつつ、予測結果の説明性も向上させることができる。
データ駆動型の多粒度クロスシティトラフィック予測
本研究は、データ不足の問題を解決するために、セマンティックを融合した多粒度のクロスシティ転移学習モデルを提案する。このモデルは、動的な交通状況を捉えつつ、静的な空間関係を保持することができる。
道路レベルの交通予測をグラフ構造の視点から統合する
論文は、レーンレベルの交通予測におけるグラフ構造の視点から進化し、新たな基準とモデルを提供している。
車両軌跡予測のための物理学強化残差学習（PERL）フレームワーク
物理学とニューラルネットワークの利点を組み合わせたPERLフレームワークは、最高の予測性能と最速の収束率を提供します。
自己監督型の時空シフトに対するデコンファウンディング
過去の交通データ、将来の交通データ、および外部STコンテキストの因果グラフを構築し、STコンテキストが過去のデータと未来のデータの共通原因であることを明らかにしました。その後、Disentangled Contextual Adjustment（DCA）という理論的な解決策を提案しました。
都市交通流予測のための時空間自己教師付き学習
都市全体の交通流を予測するために、時空間的な相関をモデル化し、新しいST-SSL交通予測フレームワークを提案します。
