Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关实验视频

Updated: Jan 10, 2026

Spatial Temporal Analysis of Fieldwise Flow in Microvasculature
09:39

Spatial Temporal Analysis of Fieldwise Flow in Microvasculature

Published on: November 18, 2019

6.2K

空间时空交通预测的多尺度波形-马巴框架.

Wenhao Li1, Jiale Song2, Pengying Ouyang3

  • 1School of Transportation, Southeast University, Nanjing, 210096, China.

Scientific reports
|November 29, 2025
PubMed
概括
此摘要是机器生成的。

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Breaking the trade-off with ordered nanochannels for highly effective osmotic energy conversion.

Nanoscale·2026
Same author

Revealing Electronic Effect in Mesoporous Medium-Entropy Alloy for Promoting Electrocatalytic Upcycling of Polyethylene Terephthalate Plastic.

ACS nano·2026
Same author

Research progress on high-altitude hypoxia pulmonary injury: pathogenesis and Chinese herbal medicine for prevention and treatment.

Frontiers in pharmacology·2026
Same author

Effect of Transcutaneous Auricular Vagus Nerve Stimulation on Postoperative Cognitive Dysfunction in Older Patients: A Randomized Controlled Clinical Trial.

Neuromodulation : journal of the International Neuromodulation Society·2026
Same author

Identification and validation of KLRB1-related biomarkers in rheumatoid arthritis.

Scientific reports·2026
Same author

[Folic acid supplementation alleviates high-salt diet-induced renal fibrosis in mice].

Nan fang yi ke da xue xue bao = Journal of Southern Medical University·2026

本研究介绍了WMF-Traffic,这是一个用于准确预测网络流量的新框架. 它有效地捕捉了多尺度模式和远程依赖关系,改善了智能运输资源管理.

科学领域:

  • 人工智能的人工智能
  • 数据科学数据科学数据科学
  • 运输工程 运输工程

背景情况:

  • 运输中的智能资源管理依赖于准确的网络流量预测.
  • 现有的方法在有效捕捉多尺度时间模式,远程依赖和周期性行为方面面临挑战.

研究的目的:

  • 介绍WMF-Traffic,这是一个新的交通预测框架.
  • 解决当前处理复杂时间动态和计算效率的方法的局限性.

主要方法:

  • WMF-Traffic集成了波形分解,选择性状态空间建模 (Mamba) 和频域处理 (Fourier).
  • 关键组件包括多尺度波形分解,波形流量卷积,流量意识的Mamba和里埃模式调整.
  • 一个全面的培训目标平衡了重建准确性,时间一致性和光谱连贯性.

主要成果:

  • 在四个现实数据集上,WMF-Traffic表现出与最先进的方法相比的持续改进.
  • 在MAE中实现了1.0-1.3%的增长,在RMSE中达到0.6-1.1%,在MAPE中达到0.2-1.0%.
  • 交通意识的Mamba显示了最大的个人贡献 (10.2%的MAE减少),整个框架提高了高达27.1%的性能.

结论:

关键词:
分布式网络系统 分布式网络系统里埃分析 里埃分析频率域处理频率域处理智能资源管理就是智能资源管理.远程依赖模型的建模.曼巴建筑 曼巴建筑多尺度时间建模.网络流量预测网络流量预测国家空间模型.交通意识的选择性机制.波纹分解 波纹分解

更多相关视频

Trajectory Data Analyses for Pedestrian Space-time Activity Study
16:14

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

14.1K

相关实验视频

Last Updated: Jan 10, 2026

Spatial Temporal Analysis of Fieldwise Flow in Microvasculature
09:39

Spatial Temporal Analysis of Fieldwise Flow in Microvasculature

Published on: November 18, 2019

6.2K
Trajectory Data Analyses for Pedestrian Space-time Activity Study
16:14

Trajectory Data Analyses for Pedestrian Space-time Activity Study

Published on: February 25, 2013

14.1K
  • 对于网络流量预测,WMF-Traffic提供了一个强大而高效的解决方案.
  • 波形,Mamba和Fourier组件的协同集成有效地模拟复杂的交通模式.
  • 该框架通过提高预测准确性和稳定性,显著增强智能运输系统.