PEMS-BAY
PulseAugur coverage of PEMS-BAY — every cluster mentioning PEMS-BAY across labs, papers, and developer communities, ranked by signal.
-
新的AsyncCouple-Flow方法通过处理缺失数据改进了时空预测
研究人员开发了一种名为AsyncCouple-Flow的新方法，以改进多模态时空预测。该方法解决了数据采样率不同、模态缺失以及长期预测中误差累积等挑战。通过使用模态感知令牌稀疏化模块和异步跨模态耦合图，即使某些数据源不可用，系统也能融合来自各种来源的数据。流匹配预测头通过将多步预测建模为条件ODE来进一步提高预测精度。
-
时空预测基准因偏见和偏爱线性模型而受到批评
一篇新论文批判性地审查了用于图神经网络（GNN）时空预测的常用基准数据集和基线。研究表明，在Chickenpox、METR-LA和PEMS-BAY等广泛采用的数据集上，空间无关的线性模型通常能与GNN相媲美。作者将此归因于数据集中的结构性偏差，并提出了一种更严格的统计评估方法，以更好地评估GNN性能并确定新的模型开发方法。
-
新型EMAGN模型通过学习聚类提升交通预测效率
研究人员开发了EMAGN，一种高效多注意力图网络，旨在提高交通预测模型的可扩展性。通过采用学习到的聚类矩阵，EMAGN将自注意力机制的计算和内存复杂度从二次方降低到线性。这项创新使得EMAGN在显著降低训练时间、推理时间和GPU内存占用的同时，能够达到与全注意力模型相当的准确性。该模型的效率使其能够在标准GPU上运行，而更复杂的模型则无法运行，这表明交通预测的可行配置得到了实质性扩展。
-
新的GC-MoE框架通过专门的GNN专家增强交通预测能力
研究人员开发了一个名为GC-MoE的新框架用于交通预测，该框架利用了图神经网络专家混合模型。这种方法允许为每个节点个性化组合冻结的预测专家，以适应局部图拓扑和近期交通数据。该系统仅训练一个小型路由模块，同时利用预训练的专家，在标准基准测试中显示出改进的平均绝对误差。