相关实验视频
联合时空交通预测与VMD增强的图表注意力和LSTM
Tarun Mundada1, Samruddhi Ramdhave2, Sanyam Jain1
1School of Electronics Engineering, Vellore Institute of Technology, Chennai, 600127, India.
Scientific reports
|March 10, 2026
概括
本研究引入了一种新的联合学习框架,用于准确的时空需求预测,在异质,非静止环境中提高预测准确性和稳定性,同时保持数据隐私.
科学领域:
- 人工智能的人工智能
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 准确的时空需求预测至关重要,但由于分布式系统中的数据异质性,非静态性和隐私问题而受到挑战.
- 传统的联合学习与全球模型与多样化的本地数据分布保持一致,阻碍了性能.
研究的目的:
- 提出一种新的联合学习框架,VMD结构的LSTM-DSTGCRN与GAT和客户端验证 (CSV),用于增强的时空需求预测.
- 解决分布式预测环境中数据异质性,非静态性和隐私方面的挑战.
主要方法:
- 变化模式分解 (VMD) 将需求信号局部分解为内在模式函数 (IMF),以减少干扰.
- 一个LSTM-多头注意力-AGCRN骨干与图表注意力网络 (GATs) 捕获时间和空间依赖.
- 客户端验证 (CSV) 机制选择性地集成全球参数,平衡本地优化和全球学习.
主要成果:
- 与基线联合图形学习模型相比,拟议的框架显著提高了预测准确性,融合速度和稳定性.
- 集中式模型显示,平均绝对误差 (MAE) 减少了28%.
- 联合学习设置实现了MAE的40.6%降低和根平均平方误差 (RMSE) 的20.1%降低.
结论:
- 具有GAT和CSV的VDM结构的LSTM-DSTGCRN为非静止的,异质的时空预测提供了有效的,保护隐私的解决方案.
- 该框架在集中式和联合式学习环境中都表现出卓越的表现.
- 这种方法提高了复杂分布式环境中需求预测的可靠性.
