研究人员开发了一种名为图感知时空先验数据拟合网络（GAS-PFN）的新模型，该模型专为零样本交通预测而设计。该模型将道路拓扑结构集成到其训练过程中，使其能够学习图耦合动力学。GAS-PFN 利用 Transformer 主干和一个独特اً的双通道架构来分别建模时空和时空交互，从而能够在不更新新网络参数的情况下进行预测。在六个基准测试的评估中，GAS-PFN 表现出显著的改进，与前代模型 TimePFN 相比，平均均方误差（MSE）降低了 34.0%，与其它零样本预测模型相比，降低了 27.7%。 AI
影响 这项研究可以提高交通预测系统的准确性和适应性，从而可能有助于城市规划和交通管理。
排序理由 该集群描述了一篇关于用于交通预测的新颖模型的最新研究论文。
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2610.37598v1 Announce Type: cross Abstract: Traffic forecasting requires modeling complex temporal dynamics and the spatial dependencies imposed by road topology. Supervised graph-based models achieve strong performance, but are often trained for a particular dataset and se…
Traffic forecasting requires modeling complex temporal dynamics and the spatial dependencies imposed by road topology. Supervised graph-based models achieve strong performance, but are often trained for a particular dataset and sensor graph, making deployment to new or evolving n…