一项新的arXiv研究调查了时空图卷积网络（STGCN）在交通预测中的架构深度。研究人员发现，单块STGCN架构通常在短期预测中表现最佳，在长期预测中性能下降幅度很小。标准的双块变体显著增加了延迟并降低了吞吐量，表明它可能对于智能交通系统的许多应用来说参数过多。 AI
影响 建议可以使用更简单、更高效的模型进行交通预测，从而降低智能交通系统的计算开销。
排序理由 该集群包含一篇详细介绍模型架构系统研究的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.09539v1 Announce Type: new Abstract: Spatio-temporal graph neural networks (STGNNs) have become the dominant approach for traffic prediction, yet their computational requirements pose challenges for practical deployment in intelligent transportation systems (ITS). Whil…
Spatio-temporal graph neural networks (STGNNs) have become the dominant approach for traffic prediction, yet their computational requirements pose challenges for practical deployment in intelligent transportation systems (ITS). While recent work has proposed efficient alternative…