.png){kind=icon}
返回
A dynamic multi-dimensional globally aware graph convolutional network for traffic prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2026.115232.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出DMGGCN以动态捕捉时空异质性。
• 引入元参数学习以实现自适应多维建模。
• 设计双流门控融合机制以实现全局特征集成。
• 开发趋势对齐并行预测模块以缓解误差传播。
• 在多个真实世界交通数据集上实现卓越的预测精度。
Keyword:
DMGGCN
spatio-temporal heterogeneity
meta-parameter learning
dual-stream gated fusion
trend-alignment prediction
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
MTEGCRN: Multi-scale temporal enhanced graph convolutional recurrent network for traffic prediction
PREAI
分享收藏General Decoupled Graph Convolutional Recurrent Network for Traffic Prediction通用解耦图卷积循环网络用于交通预测
PREAI
分享收藏A Decomposition Dynamic graph convolutional recurrent network for traffic forecasting用于流量预测的分解动态图卷积递归网络.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Modeling and Forecasting Vehicular Traffic Flow as a Seasonal ARIMA Process: Theoretical Basis and Empirical Results作为季节性ARIMA过程的车辆交通流建模和预测: 理论基础和实证结果
PREAI
分享收藏分享收藏Spatial-Temporal Graph Attention Gated Recurrent Transformer Network for Traffic Flow Forecasting用于交通流预测的时空图注意门控递归变压器网络
PREAI
分享收藏Modeling Dynamic Spatio-Temporal Correlations for Urban Traffic Flows Prediction用于城市交通流预测的动态时空相关性建模IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容