研究人员开发了一个名为时空细化预测器（STRP）的新框架，以解决从粗粒度采样信息预测细粒度交通数据的挑战。STRP利用树卷积处理空间依赖性，并利用反向扩张卷积进行时间外推。在六个数据集上的实验表明，STRP在准确性和效率方面显著优于现有方法，为管理交通数据系统中的时间粒度不匹配提供了实用的解决方案。 AI
影响 通过弥合数据中的时间粒度差距，为提高交通预测的准确性和效率提供了一种实用的方法。
排序理由 该集群包含一篇详细介绍新框架和实验结果的学术论文。
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:2606.09392v1 Announce Type: new Abstract: Efficient acquisition, storage, and utilization of traffic data are critical challenges in spatio-temporal data management. Most traffic data systems collect and store observations at fixed, coarse-grained temporal intervals to redu…
Efficient acquisition, storage, and utilization of traffic data are critical challenges in spatio-temporal data management. Most traffic data systems collect and store observations at fixed, coarse-grained temporal intervals to reduce storage and computation costs. However, such …