SCANNER+：基于邻域的自增强方法用于交通速度预测

交通速度预测对促进可持续高效运输系统至关重要，但长期预测面临时空交互复杂和模型可访问性差的挑战。本文提出基于社区的自丰富化方法，通过显式建模时空关联提升预测精度，在真实数据集上平均降低均方根误差4.10%。

　　

摘要人工智能摘要

要查看此由人工智能生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

交通速度预测对于促进可持续和高效的交通系统、优化城市流动性和提高道路安全至关重要。准确预测交通速度具有挑战性，尤其是长期预测。其中一个关键挑战是难以捕捉道路网络中的复杂空间和时间交互，并使这些交互对深度学习模型可用。虽然最近的预测方法通常依赖于道路网络的潜在嵌入表示，但传统的潜在空间学习的是时空快照的时不变表示，无法充分捕捉复杂的空间和时间动态。此外，交通数据通常会通过来自外部来源的特征等上下文信息来提高预测准确性。然而，针对特定地点和时间的外部上下文信息来源通常是有限的。本文提出了一种基于邻域的自增强方法来预测交通速度，以解决这些限制。我们的方法能够有效识别并明确建模交通数据中的时空相关性和依赖性。然后，我们利用这些模式来丰富数据，使这些模式能够被预测模型直接使用。我们在真实世界的数据集上评估了我们的方法，并证明我们的方法在所有考虑的数据集中平均而言在均方根误差方面比基准方法提高了4.10%。

人工智能摘要

人工智能生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核的。它旨在帮助读者发现内容的相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍是论文的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由人工智能生成的通俗语言摘要，您必须拥有高级访问权限。