STCGAT: A Spatio-temporal Causal Graph Attention Network for traffic flow prediction in Intelligent Transportation Systems
Zhengzhou University(郑州大学)
现代交通造成的空气污染和碳排放与全球气候变化密切相关。借助物联网(IoT)、人工智能(AI)等新一代信息技术,准确的交通流量预测可以有效解决交通拥堵等问题,缓解环境污染和气候变化。进一步推动智能交通系统(ITS)和智慧城市的发展。然而,交通数据的强空间和时间相关性使得准确的交通预测任务成为一个重大挑战。现有的方法通常是基于图神经网络利用预定义的交通网络空间邻接图来建模空间依赖关系,忽略了道路节点之间关系的动态相关性。此外,它们通常使用独立的时空组件来捕获时空依赖性,并且不能有效地建模全局时空依赖性。本文提出了一种新的时空因果图注意力网络(STCGAT)的交通预测,以解决上述挑战。在STCGAT中,我们使用的节点嵌入方法,可以自适应地生成空间邻接子图在每个时间步,而无需先验地理知识和细粒度建模的拓扑结构的动态生成的图形为不同的时间步。同时,我们提出了一个有效的因果时间相关组件,其中包含节点自适应学习,图卷积,局部和全局因果时间卷积模块学习局部和全局时空依赖性联合。在四个真实的大型流量数据集上进行的大量实验表明,我们的模型始终优于所有基线模型。
2022-09-29 cs.AI cs.LG
Message Passing Neural Networks for Traffic Forecasting
RMIT University(皇家墨尔本理工大学);Data61/CSIRO(澳大利亚联邦科学与工业研究组织数据61研究所);UNSW(新南威尔士大学);UC Davis(加州大学戴维斯分校);ANU(澳大利亚国立大学)
本文提出消息传递GNN用于交通预测,以捕捉节点交互,实验证明其在真实与合成数据上均优于其他GNN风格。
2023-05-09 cs.LG cs.SI
Virtual Nodes based Heterogeneous Graph Convolutional Neural Network for Efficient Long-Range Information Aggregation
School of Statistics and Mathematics, Guangdong University of Finance & Economics(广东金融学院统计与数学学院);School of Digital Economics, Guangdong University of Finance & Economics(广东金融学院数字经济学学院)
针对异质图神经网络长程依赖建模需堆叠多层、计算复杂且易过平滑的问题,提出VN-HGCN,利用连接特定类型全部节点的虚拟节点在4层内实现高效长程聚合,并可作为通用框架迁移到其他HGNN。
2025-09-28 cs.LG
DG-Trans: Dual-level Graph Transformer for Spatiotemporal Incident Impact Prediction on Traffic Networks
Virginia Tech(弗吉尼亚理工大学);South Dakota State University(南达科他州立大学)
交通事件影响的及时估计可以指导通勤者进行出行规划,提高交通机构决策的弹性。然而,它比节点级和图级预测任务更具挑战性,因为它需要从动态图中提取异常子图或子时间序列。在本文中,我们提出了DG-Trans,一种新的交通事件影响预测框架,通过动态图学习来预测交通事件的影响。该框架包含一个双层的空间Transformer和一个基于重要性分数的时间Transformer,该框架的性能是合理的两个新构建的基准数据集。双层空间Transformer移除节点之间不必要的边,以将受影响的子图与其他节点隔离。同时,基于重要性分数的时间Transformer识别节点特征的异常变化,导致预测更多地依赖于事件发生后的测量变化。因此,DG-Trans具有提取时空依赖性和识别受事件影响的异常节点的双重能力,同时消除良性节点引入的噪声。在真实数据集上的大量实验验证了DG-Trans优于现有的最先进的方法,特别是在提取时空依赖模式和预测交通事故影响方面。它为交通事故管理系统提供了很好的潜力。
2023-03-21 cs.LG cs.SI
Virtual Node Tuning for Few-shot Node Classification
Arizona State University(亚利桑那州立大学);ByteDance Research(字节跳动研究院)
针对少样本节点分类中基类标签不足的现有方法失效问题,提出带GPPE模块的虚拟节点调优方法,以预训练图Transformer为编码器、虚拟节点为软提示,在四个数据集上性能超越现有SOTA及全监督基线。
2023-06-09 cs.LG
GT-CausIn: a novel causal-based insight for traffic prediction
本文提出GT-CausIn模型,通过定义并验证交通因果变量发现网络内因果关系,将其与图扩散层和TCN层融合,在PEMS-BAY和METR-LA数据集上显著提升了中长期交通预测性能。
2024-09-04 cs.LG
VN-EGNN: E(3)-Equivariant Graph Neural Networks with Virtual Nodes Enhance Protein Binding Site Identification
ELLIS Unit Linz(ELLIS林茨单元);JKU Linz(约翰内斯·开普勒大学林茨分校);NXAI GmbH(NXAI有限公司)
针对现有图神经网络在蛋白质结合位点识别上性能受限的问题,研究提出添加虚拟节点并扩展消息传递的VN-EGNN方法,在多个基准数据集上实现结合位点中心定位的新SOTA。
2024-04-10 cs.AI cs.LG q-bio.BM
Understanding Virtual Nodes: Oversquashing and Node Heterogeneity
Imperial College London(伦敦帝国理工学院);University of Oxford(牛津大学);AITHYRA(艾西拉(机构名音译));École Polytechnique, IP Paris(巴黎综合理工学院、巴黎理工学院)
本文从过度压缩与敏感性分析角度理论分析了虚拟节点的作用,并提出一种计算复杂度相同但能根据图结构差异化节点敏感性的虚拟节点变体,作为图级任务的高效基线。
2025-04-07 cs.LG
Traffic Flow Forecasting Using a Spatio-Temporal Bayesian Network Predictor
Tsinghua University(清华大学)
提出了一种新的交通流预测模型--时空贝叶斯网络预测模型。与现有的方法不同,我们的方法结合了所有的空间和时间信息,在交通网络进行我们的交通流量预测的当前站点。采用Pearson相关系数对输入变量(交通流)进行排序预测,并采用最佳优先策略选择一个子集作为贝叶斯网络的原因节点。在时空贝叶斯网络中,给定导出的原因节点和相应的结果节点,采用高斯混合模型描述输入和输出之间的统计关系。最后,在最小均方误差(M.M.S.E.)准则下进行交通流预测。北京市城市车流数据的实验结果验证了时空贝叶斯网络预测器的有效性。
2017-12-24 cs.AI stat.AP
Graph Construction with Flexible Nodes for Traffic Demand Prediction
本文针对自由浮动交通需求预测中道路网络匹配不灵活的问题,提出基于密度聚类算法HDPC-L的灵活节点图构建方法,并利用客流数据初始化GNN边权重,在深圳共享单车和海口网约车数据集上显著提升预测精度与计算效率。
2024-12-24 cs.LG
Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting
UNSW(新南威尔士大学);University of Technology Sydney(悉尼科技大学);Griffith University(格里菲斯大学)
在相关的时间序列数据中建模复杂的空间和时间相关性对于理解交通动态和预测不断发展的交通系统的未来状态是必不可少的。最近的工作集中在设计复杂的图神经网络架构,以捕捉共享模式的帮助下,预定义的图。在本文中,我们认为,学习节点特定的模式是必不可少的流量预测,而预定义的图是可以避免的。为此,我们提出了两个自适应模块,以增强图卷积网络(GCN)的新功能:1)节点自适应参数学习(NAPL)模块捕捉节点特定的模式; 2)数据自适应图生成(DAGG)模块,自动推断不同的流量序列之间的相互依赖关系。我们进一步提出了一个自适应图卷积递归网络(AGCRN)自动捕获细粒度的空间和时间相关性的流量序列的基础上的两个模块和递归网络。我们在两个真实世界的流量数据集上的实验表明,AGCRN在没有预定义的空间连接图的情况下,性能明显优于最先进的算法。
2020-10-22 cs.LG stat.ML
Local Virtual Nodes for Alleviating Over-Squashing in Graph Neural Networks
Computer Engineering Department, Boğaziçi University(博雅科技大学计算机工程系)
针对GNN长程依赖中的过度挤压问题,提出由节点中心性定位、带可训练共享嵌入的局部虚拟节点LVN,在尽量保持原图全局拓扑的同时改善瓶颈连通并提升分类性能。
2025-08-28 cs.LG
SCENE: Reasoning about Traffic Scenes using Heterogeneous Graph Neural Networks
Mercedes-Benz R&D North America(梅赛德斯-奔驰北美研发中心);Mercedes-Benz AG(梅赛德斯-奔驰股份公司);Ulm University(乌尔姆大学);University of Stuttgart(斯图加特大学)
了解交通场景需要考虑有关动态代理和静态基础设施的异构信息。在这项工作中,我们提出SCENE,一种方法来编码不同的交通场景中的异构图形和原因,这些图形使用异构图神经网络编码器和特定任务的解码器。异构图的结构由本体定义,由具有特定类型的节点特征的不同节点和具有特定类型的边特征的不同关系组成。为了利用这些图给出的所有信息,我们建议使用级联的图卷积层。结果是场景的编码。任务特定的解码器可以应用于预测场景的期望属性。对两个不同的二进制节点分类任务的广泛评估显示了这种方法的主要优势:尽管是通用的,它甚至能够超越特定任务的基线。我们的方法的进一步应用,在各种知识图谱的节点分类的任务显示其可移植到其他领域。
2023-01-09 cs.AI cs.CV cs.LG
Hierarchical Graph Pooling is an Effective Citywide Traffic Condition Prediction Model
Jilin University(吉林大学);Loughborough University(拉夫堡大学);Tongji University(同济大学)
准确的交通状态预测为车-环境协调和交通控制任务提供了坚实的基础。由于道路网络数据在空间分布上的复杂性和深度学习方法的多样性,有效定义交通数据并充分捕捉数据中复杂的空间非线性特征变得具有挑战性。本文将两种层次图池方法应用于流量预测任务,以减少图信息冗余。首先,本文验证了层次图池方法在流量预测任务中的有效性。分层图池化方法与其他基线的预测性能进行了对比。其次,分析了两种主流的层次图池化方法:节点聚类池化和节点丢弃池化在流量预测中的优缺点。最后,针对上述图神经网络,本文比较了不同图网络输入对流量预测精度的预测效果。分析和总结了定义图网络的有效方法。
2022-09-08 cs.LG cs.SI physics.soc-ph
DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism
Sun Yat-sen University(中山大学)
本文提出 DKGCM 模型,通过 DK-GCN 空间节点聚类和融合 FFT 的双向 Mamba 机制分别捕获时空依赖,并引入 GRPO 优化训练,在三个公开数据集上取得优于先进方法的预测效果。
2025-06-26 cs.AI cs.LG
Combined Dynamic Virtual Spatiotemporal Graph Mapping for Traffic Prediction
Westlake University(西湖大学)
近年来,随着城市建设规模的不断扩大,对交通路口动态特性的需求也越来越大,自适应建模成为研究的热点。现有的深度学习方法对于拟合复杂的异构图是强大的。然而,这些方法也存在不足,主要表现为两类:1)时空同步建模方法分别考虑时间和空间依赖性,导致泛化能力弱,聚合时不稳定性大; 2)时空同步建模方法受局部感受野的影响,难以捕捉长期的时间依赖性。为了克服上述挑战,本文提出了一种\textbf{C}结合\textbf{D}的\textbf{V}虚拟时空映射\textbf{G}和\textbf{M}映射\textbf{(CDVGM)}。本文的主要贡献如下:1)一个动态虚拟图Laplacian设计了同时考虑空间信号传递和时间特征的信号增强模型($DVGL$); 2)长时变信号增强模型($LT^2S$)用于提高时间序列预测的稳定性;大量实验表明,CDVGM具有收敛速度快、占用资源少等优良性能,达到了当前SOTA的要求在准确性和概括性方面的效果。代码可在\hyperlink{https://github.com/Dandelionym/CDVGM.}{https://github.com/Dandelionym/CDVGM.}上获得
2022-10-03 cs.AI cs.LG
Rethinking Traffic Flow Forecasting: From Transition to Generatation
Southwest Jiaotong University(西南交通大学)
提出EMBSFormer,通过多分支相似性模块捕获节点级生成的多周期性,并结合时空自注意力与GNN建模图级流转,在三个真实数据集上以18%参数超越基线。
2025-04-19 cs.AI cs.LG
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University(斯坦福大学);University of Cologne(科隆大学);Shanghai AI Lab(上海人工智能实验室)
针对现有基于GCN的交通预测方法忽略城市空间层级的问题,提出AHSTN模型,通过自适应时空上下采样模块实现节点与簇级多尺度时空建模,在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI cs.LG
TraffiDent: A Dataset for Understanding the Interplay Between Traffic Dynamics and Incidents
TraffiDent数据集首次将交通动态与事件在时空对齐的大型区域(16972个交通节点)中整合,包含交通流量、车道占用率和平均车速的时间序列数据,以及七类事件记录,支持交通-事件交互分析和因果关系研究。
2026-03-16 cs.AI cs.LG
CoMemNet: A Continual Memory Network with Drift-Aware Sampling for Traffic Prediction
College of Computer Science, Shanghai Jiao Tong University(上海交通大学计算机科学学院);College of Computer Science and Technology, Zhejiang University of Technology(浙江工业大学计算机科学与技术学院);School of Automation, Nanjing University of Science and Technology(南京理工大学自动化学院)
CoMemNet提出一种双分支持续学习框架,通过动态对比采样和轻量级记忆缓冲器解决持续交通预测中的灾难性遗忘问题,实验证明其在三大真实世界数据集上达到SOTA性能。
2026-10-05 cs.AI cs.LG
FDTI: Fine-grained Deep Traffic Inference with Roadnet-enriched Graph
Shanghai Jiao Tong University(上海交通大学);Arizona State University(亚利桑那州立大学)
本文提出FDTI,一种基于路网增强图的细粒度深度交通推断方法,通过构建细粒度交通图、动态移动卷积和流量守恒,实现城市级1分钟间隔的交通预测,达到最先进性能。
2023-06-19 cs.AI cs.LG
Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting
Northwestern Polytechnical University(西北工业大学);City University of Hong Kong(香港城市大学);Shenzhen Research Institute, City University of Hong Kong(香港城市大学深圳研究院);Northwest University(西北大学)
提出LoReST网络,通过关系感知局部聚合和跨区域注意力,高效建模大规模交通预测中的局部异质性与长距离上下文,在LargeST基准上显著降低误差。
2026-09-24 cs.AI cs.LG
Learn When and Where to Connect: Adaptive Virtual Nodes for Dynamic Message Passing on Graphs
School of Computing, KAIST(计算机学院,韩国科学技术院);Department of AI Computing, KAIST(人工智能计算系,韩国科学技术院)
提出MAVN框架,通过端到端可微分的方式自适应地决定在消息传递神经网络的哪一层为哪些节点引入虚拟节点,并基于双向评分机制建立连接,理论证明其能模拟任意节点-虚拟节点连接模式,实验表明在多个数据集上显著提升骨干网络性能。
2026-06-02 cs.AI cs.LG
ChoiceRank: Identifying Preferences from Node Traffic in Networks
EPFL(洛桑联邦理工学院)
了解用户如何在网络中导航在许多应用中具有很高的兴趣。我们考虑一个设置,只有聚合节点级流量观察和学习边缘转移概率的任务。我们把它作为一个偏好学习的问题,我们研究一个模型,选择遵循卢斯公理。在这种情况下,节点访问的$O(n)$边际计数对于$O(n^2)$转移概率是足够的统计量。我们展示了如何使推理问题适定性,无论网络的结构如何,我们提出了ChoiceRank,这是一种迭代算法,可扩展到包含数十亿个节点和边的网络。我们将该模型应用于两个点击流数据集,并表明它成功地恢复了转移概率只使用网络结构和边际(节点级)流量数据。最后,我们还考虑了移动网络的应用,并将该模型应用于纽约市自行车共享系统的一年骑行。
2017-06-15 cs.LG cs.SI stat.ML
Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting
针对现有交通预测方法难以全局捕捉节点特定模式、无法同时建模长短时依赖的问题,提出融合节点特定元模式学习与节点注意力权重生成模块的MAGCRN模型,在6个真实数据集上的长短时预测性能均优于SOTA基线。
2023-08-28 cs.LG
Inductive Spatio-Temporal Kriging with Physics-Guided Increment Training Strategy for Air Quality Inference
针对空气质量推断中虚拟节点与真实节点不一致的问题,本文提出PGITS,利用颗粒物平流扩散物理动态生成图结构并衔接两类节点,以提升归纳式时空克里金效果。
2025-03-12 cs.LG
Batch Virtual Adversarial Training for Graph Convolutional Networks
Tsinghua University(清华大学)
提出了一种新的图卷积网络(GCN)正则化方法--批量虚拟对抗训练(BVAT)。BVAT解决了GCN不考虑模型输出分布对输入周围局部扰动的平滑性的缺点。我们提出了两种算法,基于样本的BVAT和基于优化的BVAT,这是适合于促进图结构数据的模型的平滑性,无论是找到虚拟对抗扰动的一个子集的节点远离对方或生成虚拟对抗扰动的所有节点的优化过程。在Cora、Citeseer和Pubmed三个引文网络数据集和一个知识图谱数据集Nell上的实验验证了该方法的有效性,在半监督节点分类任务中取得了最佳的结果.
2019-05-24 cs.AI cs.LG stat.ML
Scalable Deep Traffic Flow Neural Networks for Urban Traffic Congestion Prediction
University of Texas at Arlington(德克萨斯大学阿灵顿分校)
跟踪整个网络道路的拥塞是智能交通网络管理系统的关键组成部分。了解交通流量和短期预测的拥堵发生,由于高峰时间或事件可以是有益的,这样的系统,以有效地管理和引导交通到最合适的绕道。许多当前的交通流预测系统是通过利用中央处理部件来设计的,其中通过聚集从所有测量站收集的信息来执行预测。然而,集中式系统是不可扩展的,并且不能向系统提供实时反馈,而在分散式方案中,每个节点负责基于相邻节点中的本地电流测量来预测其自身的短期拥塞。我们提出了一种基于分散式深度学习的方法,其中每个节点根据相邻站点的拥塞状态实时准确地预测自己的拥塞状态。此外,不需要来自部署地点的历史数据,这使得所提出的方法更适合于新安装的站。为了达到更高的性能,我们引入了一个正则化的欧几里德损失函数,有利于高拥塞样本比低拥塞样本,以避免不平衡的训练数据集的影响。为此目的的一种新的数据集设计的基础上从交通控制站在加利福尼亚州北部的交通数据。在所设计的基准上进行的大量实验反映了成功的拥塞预测。
2017-03-03 cs.LG
Towards Traffic Scene Description: The Semantic Scene Graph
FZI Research Center for Information Technology(FZI信息技术研究中心)
对于交通场景的分类,需要一个描述模型,该模型能够以统一的方式描述场景,与其领域无关。提出了一种基于语义的交通场景描述模型。描述模型允许独立于道路几何形状和道路拓扑结构来描述交通场景。在这里,交通参与者被投影到道路网络上,并表示为图中的节点。根据两个交通参与者相对于道路拓扑的相对位置,在相应的节点之间创建语义分类的边。对于具体化,边缘属性被扩展为两个交通参与者之间的相对距离和速度关于车道的路线。描述的一个重要方面是它可以很容易地转换成机器可读的格式。当前描述集中于交通场景的动态对象,并且考虑交通参与者,诸如行人或车辆。
2022-06-29 cs.LG
Virtual Adversarial Training on Graph Convolutional Networks in Node Classification
Peking University(北京大学);Beijing Institute of Big Data Research (BIBDR)(北京大数据研究院)
图卷积网络(GCN)的有效性已在广泛的基于图的机器学习任务中得到证明。然而,GCN中的参数更新仅来自标记节点,缺乏对未标记数据的利用。在本文中,我们将虚拟对抗训练(VAT),一种基于标记和未标记数据的对抗正则化方法应用于GCN的监督损失,以提高其泛化性能。通过在半监督学习中对后验分布施加虚拟对抗平滑性,VAT产生对GCN的对称拉普拉斯平滑性的改进。此外,由于特征属性的不同,我们分别对稀疏特征和密集特征进行虚拟对抗扰动,从而得到GCN稀疏VAT(GCNSVAT)和GCN密集VAT(GCNDVAT)算法。大量的实验验证了我们的两种方法在不同训练规模下的有效性。我们的工作为更好地理解未来GCN的改进方向铺平了道路。
2020-02-20 cs.LG stat.ML
Virtual Node Generation for Node Classification in Sparsely-Labeled Graphs
University of Illinois, Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对图领域稀疏标签下数据生成方法研究不足的问题,提出一种通过求解双重优化问题生成高质量虚拟节点注入图中以扩展标签传播的方法,兼容多种图学习范式,在10个公开数据集上较14个基线取得显著性能提升。
2024-09-12 cs.LG cs.SI
Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);Alibaba Group(阿里巴巴集团)
交通预测对交通管理和公共安全具有重要意义,但由于道路网络和交通状况的复杂时空相关性和本质不确定性,交通预测具有很大的挑战性。最近的研究主要集中在利用图卷积网络(GCN)在整个固定的加权图的空间依赖建模。然而,边缘,即,成对节点之间的相关性要复杂得多,并且彼此交互。在本文中,我们提出了多范围注意双分量GCN(MRA-BGCN),一种新的深度学习模型的流量预测。我们首先根据道路网络距离建立节点图,根据各种边的相互作用模式建立边图。然后,我们使用双分量图卷积实现节点和边的交互。引入多范围注意力机制,聚合不同邻域范围内的信息,自动学习不同邻域范围的重要性。在METR-LA和PEMS-BAY两个真实路网交通数据集上的实验表明,本文提出的MRA-BGCN算法达到了最佳的效果。
2019-11-27 cs.LG stat.ML
Spatial-Temporal Adaptive Graph Convolution with Attention Network for Traffic Forecasting
Beijing University of Posts and Telecommunications(北京邮电大学);Didi Research Institute, Didi Chuxing(滴滴出行滴滴研究院)
交通预测是智能交通系统中时空学习任务的一个典型例子。现有的方法在图卷积神经运算符中使用预定矩阵来捕获空间依赖性。然而,显式图结构丢失了节点之间关系的一些隐藏表示。此外,传统的图卷积神经操作符不能聚合图上的长距离节点。为了克服这些限制,我们提出了一种新的网络,时空自适应图卷积与注意力网络(STAAN)的流量预测。首先,我们采用自适应依赖矩阵,而不是使用一个预定义的矩阵在GCN处理来推断节点之间的相互依赖关系。其次,我们集成了基于图注意力网络的PW-注意力,该网络是为全局依赖而设计的,GCN是空间块。更重要的是,堆叠膨胀的一维卷积,在长期预测的效率,采用在我们的时间块捕获不同的时间序列。我们在两个真实世界的数据集上评估了我们的STAAN,实验验证了我们的模型优于最先进的基线。
2022-06-07 cs.GR cs.LG
Traffic4cast at NeurIPS 2022 -- Predict Dynamics along Graph Edges from Sparse Node Data: Whole City Traffic and ETA from Stationary Vehicle Detectors
Institute of Advanced Research in Artificial Intelligence (IARAI)(高级人工智能研究所(IARAI));ETH Zurich(苏黎世联邦理工学院);University of Science and Technology of China(中国科学技术大学);Huawei Noah’s Ark Lab(华为诺亚方舟实验室);Bolt Technology(博尔特科技);University of Bucharest(布加勒斯特大学);Northeastern University(东北大学);Technical University of Munich(慕尼黑工业大学);Layer 6 AI(Layer 6人工智能公司);South China University of Technology(华南理工大学);Loughborough University(拉夫堡大学);HERE Technologies(HERE科技公司);Kaiko(Kaiko公司)
城市化和个人流动性的全球趋势迫使我们重新思考我们生活和使用城市空间的方式。该竞赛系列以数据驱动的方式解决了这个问题,推进了机器学习的最新方法,随着时间的推移对复杂的空间系统进行建模。在这个版本中,我们的动态道路图数据结合了来自道路地图、$10^{12}$探测数据点和三个城市的静止车辆探测器的信息,时间跨度为两年。虽然静止车辆检测器是捕获交通量的最准确方法,但它们仅在少数位置可用。Apric 4cast 2022探索了能够在几个节点上概括松散相关的时间顶点数据的模型,以预测整个道路图边缘的动态未来交通状态。在核心挑战中,参与者被邀请预测未来15分钟内三个城市整个道路图的GPS数据中的速度水平得出的三种拥堵类别的可能性。我们只提供车辆计数数据,从空间稀疏的固定车辆检测器在这三个城市作为模型输入这项任务。在预测时间之前的一个小时内,将数据聚集在15分钟的时间仓中。对于扩展挑战,参与者的任务是预测未来15分钟超级路段的平均行驶时间-超级路段是图中较长的路段序列。比赛结果在预测复杂的城市范围内的交通状态方面取得了重要进展,仅从公开的稀疏车辆数据中,而不需要大量的实时浮动车辆数据。
2023-03-14 cs.LG cs.SI
Efficacy of Full-Packet Encryption in Mitigating Protocol Detection for Evasive Virtual Private Networks
California State University, Fullerton(加州州立大学富勒顿分校)
针对完全加密的规避型VPN协议ACC,本文测试多种机器学习分类器,发现其在常规流量中仍可被低附带损害地识别。
2024-12-23 cs.CR cs.LG cs.NI