arrow
返回

DFDG: Adaptive federated learning for dynamic graph-based traffic forecasting

delete2025-06-30
delete0
PRE
AI
M
Muhammad Usman
Y
Yugyung Lee
DOI:10.1016/j.knosys.2025.114019delete
delete原文链接
delete原文求助
delete分享
delete收藏
摘要

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
Knowledge-Based Systems
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

引用论文

A3T-GCN: Attention Temporal Graph Convolutional Network for Traffic Forecasting
err2021-07-15
err0
errOAAI
errJiandong Bai; Jiawei Zhu; Yujiao Song; Ling Zhao; Zhixiang Hou; Ronghua Du; Haifeng Li
err分享
err收藏
Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks
errSENSORS
IF3.5
err2017-06-26
err385
errOAAI
errYu, Haiyang; Wu, Zhihai; Wang, Shuqin; Wang, Yunpeng; Ma, Xiaolei
err分享
err收藏
err分享
err收藏
学者 查看更多内容