PulseAugur
中
实时 06:05:38
English(EN) Multi-Modal Graph Interaction for Multi-Graph Convolution Network in Urban Spatiotemporal Forecasting

新型多模态图网络改进城市时空预测

作者 PulseAugur 编辑部 · [1 个来源] ·

本文提出了一种将区域间关系视为多模态机器学习问题的新型城市时空预测方法。所提出的方法利用多图卷积网络并结合两种交互技术来增强特征提取并减少泛化误差。具体来说，它在较低层使用分组 GCN 来整合不同模态的连通性，在较高层使用多线性关系 GCN 来学习更通用的特征，在网约车需求预测任务上的预测准确性和效率方面优于现有基线。 AI

影响 引入新颖的多模态图交互技术，提高了城市时空预测任务的准确性和效率。

排序理由 该条目是一篇学术论文，详细介绍了一种新的时空预测方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型多模态图网络改进城市时空预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Lingyu Zhang, Xu Geng, Zhiwei Qin, Hongjun Wang, Xiao Wang, Ying Zhang, Jian Liang, Guobin Wu, Xuan Song, Yunhai Wang ·

    面向城市时空预测的多图卷积网络的多模态图交互

    arXiv:1905.11395v2 Announce Type: replace Abstract: Graph convolution network based approaches have been recently used to model region-wise relationships in region-level prediction problems in urban computing. Each relationship represents a kind of spatial dependency, like region…

相关话题