LSTTN: 基于长短期转换器的时空神经网络在线交通流预测
原文中文,约300字,阅读约需1分钟。发表于: 。基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测,能够有效地学习和提取交通流的复杂趋势和周期特征,实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。
STLinear是一种优化智能交通系统和智慧城市愿景的交通预测模型,通过节点嵌入方法、时间序列分解和周期性学习解决了计算复杂度、梯度问题和资源消耗性等挑战。实证研究表明,STLinear在真实世界数据集上表现出色,准确性超过领先的空间-时间图神经网络,并大幅减少了计算复杂度和计算开销。它是传统模型的有效替代方案,对智能交通系统和智慧城市倡议有深远影响。