Graph-Pruning senkt Kommunikationsaufwand bei ST‑GNNs für Verkehrsprognosen
Spatio‑Temporal Graph Neural Networks (ST‑GNNs) sind ideal, um hochfrequente Sensordaten aus verteilten Mobilitätssystemen zu verarbeiten. Wenn diese Modelle jedoch an Edge‑Knoten (Cloudlets) verteilt werden, entsteht ein erheblicher Kommunikationsaufwand, weil benachbarte Knoten ständig überlappende Merkmale austauschen.
