返回
DFDG: Adaptive federated learning for dynamic graph-based traffic forecasting
DOI:10.1016/j.knosys.2025.114019.png)
摘要
En 中文
• 提出DFDG,一种集成动态GNNs、KANODE和隐私保护傅里叶编码的联邦框架。
• 在三个真实交通数据集上,相较于先前的算法,误差降低了高达18%。
• 推理时间低于3秒,并可扩展至21个异步参与者。
• 消融研究证实了时序建模和自适应聚合的重要性。
• 代码和评估工具将在稿件录用后发布。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
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
Modeling Spatio-Temporal Mobility Across Data Silos via Personalized Federated Learning通过个性化的联邦学习对跨数据孤岛的时空移动性进行建模
Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks
SENSORS
IF3.5

