FasterSTS: Ein schnellerer räumlich-zeitlicher synchroner Graph-Convolutional-Netzwerk für die Verkehrsflussvorhersage

Die genaue Vorhersage von Verkehrsströmen beruht stark auf der raumzeitlichen Korrelation von Verkehrsflussdaten. Die meisten aktuellen Studien erfassen die Korrelationen in räumlicher und zeitlicher Dimension getrennt, wodurch die Erfassung komplexer raumzeitlicher Heterogenität erschwert wird und oft mit einer Erhöhung der Modellkomplexität einhergeht, um die Vorhersagegenauigkeit zu verbessern. Obwohl es im Bereich der raumzeitlich synchronen Modellierung bahnbrechende Ansätze gegeben hat, bestehen weiterhin erhebliche Einschränkungen hinsichtlich Leistungsfähigkeit und Kontrolle der Komplexität. Diese Studie stellt ein schnelleres und effektiveres raumzeitlich synchrones Modell zur Vorhersage von Verkehrsströmen vor, um diese Herausforderungen zu bewältigen.