교통 예측을 위한 전이 학습 기반 공간-시간 그래프 합성곱 신경망 모델
교통 예측 모델의 데이터 부족 문제를 해결하기 위해 전이 학습과 그래프 가지치기 기술을 결합한 새로운 모델 TL-GPSTGN을 제안한다.
교통 예측을 위한 효과적인 공간-시간 다중 세분화 프레임워크
본 연구는 장거리 및 장기 의존성을 효과적으로 포착하기 위해 공간-시간 다중 세분화 프레임워크(STMGF)를 제안한다. STMGF는 계층적 클러스터링과 주의 기반 상호작용 메커니즘을 통해 장거리 및 장기 정보를 포착하고, 최근 데이터와 역사적 주기 데이터의 유사성 매칭을 통해 예측 결과를 개선한다.
실시간 교통량 예측을 위한 대규모 언어 모델의 설명 가능성
대규모 언어 모델을 활용하여 다양한 입력 요인을 고려한 설명 가능한 교통량 예측 모델을 제안한다.
다중 도시 간 교통 수요 예측을 위한 의미 융합 다중 수준 전이 학습
본 연구는 데이터가 부족한 도시에서 효과적인 교통 수요 예측을 위해 다중 의미 정보를 융합하고 다중 수준의 지식 전이를 수행하는 모델을 제안한다.
실시간 교통 데이터를 활용한 진보적 그래프 합성곱 신경망 기반 공간-시간 교통 예측
진보적 그래프 합성곱 신경망(PGCN)은 실시간 교통 데이터를 활용하여 시간에 따라 변화하는 공간적 상관관계를 효과적으로 모델링하여 정확한 교통 예측을 수행한다.
실시간 교통 데이터를 활용한 진보적 그래프 합성곱 신경망 기반 공간-시간 교통 예측
진보적 그래프 합성곱 신경망(PGCN)은 실시간 교통 데이터를 활용하여 시간에 따라 변화하는 공간적 상관관계를 포착하고, 이를 통해 정확하고 일관된 교통 예측 성능을 달성한다.
BjTT: 대규모 다중 모달 데이터셋을 통한 교통 예측
교통 예측을 위한 대규모 다중 모달 데이터셋인 BjTT 소개
도시 교통 흐름 예측을 위한 시공간 자기 지도 학습
도시 전체의 교통 흐름을 예측하는 것은 지능형 교통 시스템에서 중요하며, 이 논문은 시공간 자기 지도 학습(ST-SSL)을 제안하여 공간 및 시간 이질성을 효과적으로 모델링하고 도시 전체의 교통 패턴을 개선하는 방법을 소개합니다.
도로 교통 흐름 예측을 위한 물리학 가이드된 신경망 모델 개발
도로 교통 흐름 예측을 위한 물리학 가이드된 신경망 모델인 STDEN의 효과적인 성능을 입증하고, 물리학 기반과 데이터 기반 방법을 결합한 혁신적인 접근 방식을 소개합니다.
TPLLM: A Traffic Prediction Framework Based on Pretrained Large Language Models
사전 훈련된 대형 언어 모델을 활용한 TPLLM은 교통 데이터의 복잡한 시공간 의존성을 분석하고 교통 예측 작업에 효과적으로 활용할 수 있음을 입증합니다.
© 2024 by Linnk AI