Sign In
insight - 교통 흐름 예측
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.
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 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.
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.
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.
Products | Resources
© 2024 by Linnk AI