Key points are not available for this paper at this time.
संक्षेप वर्तमान सड़क पर अल्पकालिक ट्रैफिक प्रवाह भविष्यवाणी के उद्देश्य को संबोधित करने के लिए, यह पत्र केवल भविष्य के ट्रैफिक प्रवाह की भविष्यवाणी करने के लिए नहीं है, बल्कि भविष्य की सड़कों की औसत गति की भी भविष्यवाणी करता है। विशेष रूप से, लेखक एक अल्पकालिक ट्रैफिक प्रवाह भविष्यवाणी विधि का प्रस्ताव करते हैं जो कन्वोल्यूशनल न्यूरल नेटवर्क—गेट रिकरंट यूनिट—मल्टी टास्क लर्निंग-टाइम-सेपरेटेड अटेंशन मैकेनिज्म (AST-MTL-CNN-GRU) पर आधारित है। सबसे पहले, लेखक एक टाइम-सेपरेटेड अटेंशन मैकेनिज्म जोड़ते हैं जो दिन के विभिन्न स्थानों और समय के लिए स्वतंत्र रूप से अटेंशन मैट्रिक्स उत्पन्न कर सकता है। दूसरे, ट्रैफिक प्रवाह, औसत गति और उपयुक्तता के तीन मुख्य पैरामीटर को इनपुट डेटा के रूप में जोड़ा जाता है जबकि मल्टी-टास्क लर्निंग का उपयोग भविष्य के ट्रैफिक प्रवाह और सड़क पर औसत गति की भविष्यवाणी करने के लिए किया जाता है। अंत में, CNNs का उपयोग स्थानिक विशेषताओं और GRUs का उपयोग समय संबंधी विशेषताओं को निकालने के लिए किया जाता है। आधार रेखा मॉडलों (डिफ्यूजन CNNs (DCRNN), 1D-CNN-लॉन्ग शॉर्ट-टर्म मेमोरी (1DCNN-LSTM), कन्वोल्यूशनल LSTM (ConvLSTM), ग्राफ वेवनेट और ST-ResNet) की तुलना में, लेखकों का प्रस्तावित मॉडल सटीकता, स्थिरता और मजबूती के मामले में उच्च प्रदर्शन करता है। क्वांझोउ शहर के डेटासेट और कैलिफोर्निया डेटासेट का उपयोग करते हुए पांच-गुणा क्रॉस मान्यता के आधार पर एक बड़ी संख्या में एब्लेशन प्रयोग किए जाते हैं। प्रयोगात्मक परिणाम दिखाते हैं कि औसत गति और उपयुक्तता के संयोजन के लिए इनपुट की भविष्यवाणी सटीकता अधिक है। इसके अतिरिक्त, लेखकों का प्रस्तावित मॉडल अन्य मॉडलों की तुलना में सटीकता, स्थिरता और मजबूती के मामले में भी प्रदर्शन कर सकता है, भले ही शोर जोड़ा गया हो।
यांग एट अल। (मंगल,) ने इस प्रश्न का अध्ययन किया।