WardropNet: 通过平衡增强学习进行交通流预测
原文中文，约500字，阅读约需2分钟。发表于：。本研究解决了当前交通流预测中计算效率低的问题。我们提出了WardropNet，这一新型神经网络结合了经典层和均衡层，利用监督学习最小化真实交通流与预测输出之间的差异。研究表明，该方法在现实和模拟交通情境中，较纯学习模型的时间不变预测提升了72%，时间变化预测提升了23%。
本研究提出WardropNet，一种结合经典层和均衡层的神经网络，旨在提高交通流预测效率。通过监督学习，该方法减少了真实交通流与预测结果的差异。在实际和模拟交通中，WardropNet在时间不变预测上提升72%，在时间变化预测上提升23%。
