TEA-GCN: Transformer-Enhanced Adaptive Graph Convolutional Network for Traffic Flow Forecasting

Traffic flow forecasting is crucial for improving urban traffic management and reducing resource consumption. Accurate traffic conditions prediction requires capturing the complex spatial-temporal dependencies inherent in traffic data. Traditional spatial-temporal graph modeling methods often rely o...

Szczegółowa specyfikacja

Opis bibliograficzny

Główni autorzy:	Xiaxia He, Wenhui Zhang, Xiaoyu Li, Xiaodan Zhang
Format:	Artigo
Język:	Inglês
Wydane:	MDPI AG 2024-11-01
Seria:	Sensors
Hasła przedmiotowe:	graph convolutional networks traffic flow forecasting adaptive graph learning
Dostęp online:	https://www.mdpi.com/1424-8220/24/21/7086
Etykiety:	Dodaj etykietę Nie ma etykietki, Dołącz pierwszą etykiete!