Traffic Prediction
Une série temporelle fait référence à une séquence de points de données organisés dans l'ordre chronologique, avec pour objectif de prédire les tendances futures en analysant les données historiques. L'analyse des séries temporelles peut révéler des modèles de variation des données au fil du temps, offrant ainsi une base scientifique pour la prise de décision dans des domaines tels que la finance, la météorologie et la santé, ce qui lui confère une valeur d'application considérable.
Beijing Traffic
MemDA
BJTaxi
ST-SSL
EXPY-TKY
STD-MAE
HZME(inflow)
HZME(outflow)
CorrSTN
LargeST
PatchSTG
METR-LA
TITAN
NE-BJ
RGDAN
NYCBike1
NYCBike2
NYCTaxi
PEMS-BAY
T-Graphormer
PeMS-M
PeMS04
LightCTS
PeMS07
STAEformer
PeMS08
DTRformer
PeMSD3
PeMSD4
STD-MAE
PeMSD4 (10 days' training data, 15min)
DASTNet
PeMSD4 (10 days' training data, 30min)
PeMSD4 (10 days' training data, 60min)
PeMSD7
STD-MAE
PeMSD7 (10 days' training data, 15min)
PeMSD7 (10 days' training data, 30min)
PeMSD7 (10 days' training data, 60min)
PeMSD7(L)
STD-MAE
PeMSD7(M)
STD-MAE
PeMSD8
Hierarchical-Attention-LSTM (HierAttnLSTM)
PeMSD8 (10 days' training data, 15min)
PeMSD8 (10 days' training data, 30min)
PeMSD8 (10 days' training data, 60min)
Q-Traffic
hybrid Seq2Seq
SZ-Taxi