כתבה
arXiv cs.AI ·
Teger: תיאום ספציאל-זמני לצפייה סבירה של תנועה תחבורתית
Teger: Spatiotemporal Covariance for Probabilistic Traffic Forecasting
צפייה סבירה של תנועה תחבורתית עם תיאום ספציאל-זמני. מאמר זה מציג חידוש בשם Teger, שמספק תיאום סביר של תנועה תחבורתית בזמן אמת, כולל שם המודל Chronos.
תקציר מקורי באנגליתarXiv:2605.18068v2 Announce Type: replace-cross Abstract: Traffic conditions drift -- demand patterns, incident dynamics, and sensor behavior shift over a deployment's lifetime -- so a joint uncertainty estimate fit once at training time and left static will miscalibrate as conditions change. We present TEGER, a residual covariance model that keeps a forecaster's joint predictive uncertainty current at test time through closed-form updates, not retraining. A fixed sensor graph supplies a low-dimensional spatial precision factor encoding which sensors' errors move together; at inference, Gaussian conditioning corrects The next forecast's mean and covariance from only the most recently observed residuals, and an exponential moving-average volatility term rescales marginal uncertainty to trac
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית