PulseAugur
中
实时 02:16:50
English(EN) From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction

新框架可从粗粒度数据预测细粒度交通

作者 PulseAugur 编辑部 · [2 个来源] ·

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。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Shuhao Li, Weidong Yang, Yue Cui, Zizhuo Xu, Lipeng Ma, Fan Zhang, Xiaofang Zhou ·

    从粗粒度到细粒度：时空数据中的时间粒度管理用于细粒度交通预测

    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…

  2. arXiv cs.AI TIER_1 English(EN) · Xiaofang Zhou ·

    从粗粒度到细粒度：时空数据中的时间粒度管理用于细粒度交通预测

    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 …

相关话题