返回
A knowledge-informed dynamic correlation modeling framework for lane-level traffic flow prediction
DOI:10.1016/j.inffus.2025.103327.png)
摘要
En 中文
• 新型GCN-GRU混合模型通过LLM合成数据捕获时空动态。
• 基于LLM的交通代理模型平衡了准确性与泛化性。
• 在多模态场景下的验证结果显示,在训练样本有限的情况下表现出色。
期刊
IF:
15.5
论文数:
4.3K
被引数:
2.7W
机构
暂无机构信息
引用论文
AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic ForecastingAst-gcn: 用于交通预测的属性增强时空图卷积网络
IEEE ACCESS
IF3.6
A Short-Term Traffic Flow Prediction Model Based on an Improved Gate Recurrent Unit Neural Network基于改进Gate递归单元神经网络的短时交通流预测模型
Deep learning for cross-domain data fusion in urban computing: Taxonomy, advances, and outlook城市计算中跨域数据融合的深度学习: 分类、进展和展望
INFORMATION FUSION
IF15.5
TADGCN: A Time-Aware Dynamic Graph Convolution Network for long-term traffic flow predictionTADGCN: 一种用于长期交通流预测的时间感知动态图卷积网络
Data-unbalanced traffic accident prediction via adaptive graph and self-supervised learning基于自适应图和自监督学习的数据不平衡交通事故预测

