精选理由
这篇论文提出了MA-GLTC，通过记忆增强和图液体时间常数网络解决了跨域交通预测的连续动态问题，在5个数据集上平均误差最高降10%。
针对跨域交通预测中粗粒度适应、未知模式处理不足等问题，提出Memory-Augmented Graph Liquid Time-Constant Network (MA-GLTC)。该框架通过时空单元分解网络实现细粒度知识对齐，利用图液体时间常数网络 (GLTC) 建模连续时间图耦合演化，并设计基于记忆的迁移存储 (MTS) 机制保留和更新跨域模式。在5个公开交通数据集上，MA-GLTC在短期和长期预测任务中均优于代表性内域和跨域基线。相比第二优方法，MA-GLTC平均预测误差分别降低3.02%、0.33%、8.92%、10.09%和2.11%。
AI 翻译 · 中文
针对跨域交通预测中粗粒度适应、未知模式处理不足等问题，提出Memory-Augmented Graph Liquid Time-Constant Network (MA-GLTC)。该框架通过时空单元分解网络实现细粒度知识对齐，利用图液体时间常数网络 (GLTC) 建模连续时间图耦合演化，并设计基于记忆的迁移存储 (MTS) 机制保留和更新跨域模式。在5个公开交通数据集上，MA-GLTC在短期和长期预测任务中均优于代表性内域和跨域基线。相比第二优方法，MA-GLTC平均预测误差分别降低3.02%、0.33%、8.92%、10.09%和2.11%。
Traffic state prediction is a fundamental task in intelligent transportation systems. In practical applications, some regions suffer from limited traffic observations due to insufficient sensing infrastructure, making cr…