meineki.news Logo
meineki.news
KI News. Verstehen, was wichtig wird.
Anmelden
Suche

Finde Modelle, Firmen und Themen

Suche im News-Archiv nach Themen, die du dauerhaft verfolgen willst.

Ergebnisse für “Spatio-Temporal”
Forschung

<h1>Hypergraph-MARL verbessert Ampelsteuerung für multimodale Verkehrsszenarien</h1> <p>In einer Zeit, in der die Mobilität immer stärker multimodal wird, stellt die neue Studie von Forschern aus dem Bereich der künstlichen Intelligenz einen bedeutenden Fortschritt dar. Das vorgestellte System, STDSH‑MARL, richtet sich gezielt an die Bedürfnisse von Fahrgästen in öffentlichen Verkehrsmitteln und anderen multimodalen Reisenden, statt ausschließlich auf die Fahrzeugflut zu fokussieren.</p> <p>STDSH‑MARL ist e
arXiv – cs.LG
Forschung

<p>STRelay: Neues Framework verbessert Standortvorhersagen um bis zu 11,6 %</p> <p>Die Vorhersage des nächsten Aufenthaltsortes ist ein zentrales Thema in der Analyse menschlicher Mobilität. Sie ermöglicht unter anderem die Optimierung von Reiseplänen und die effiziente Steuerung städtischer Mobilitätssysteme. Traditionelle Ansätze nutzen dabei überwiegend historische Bewegungsdaten, um zukünftige Standorte direkt vorherzusagen. Dabei wird jedoch häufig die Relevanz der zukünftigen räumlich‑zeitlichen Konte
arXiv – cs.LG
Forschung

Neues selbstlernendes Graphenmodell verbessert Vorhersage von Menschenströmen an POIs Forscher haben ein innovatives, selbstüberwachtes Graphenmodell entwickelt, das die Vorhersage von Menschenströmen an Points of Interest (POIs) deutlich verbessert. Durch die Kombination von räumlichen Adjazenzgraphen und kontrastivem Lernen können große Mengen an unbeschrifteten Daten genutzt werden, um robuste Repräsentationen zu erzeugen. Das Modell baut zunächst einen räumlichen Adjazenzgraphen auf Basis der Entfer
arXiv – cs.AI
Forschung

<p>Neues Modell STM3 verbessert langfristige Vorhersagen von räumlich-zeitlichen Daten</p> <p>Forscher aus dem Bereich der Zeitreihenanalyse haben ein innovatives Modell namens STM3 vorgestellt, das die Vorhersage von langfristigen räumlich-zeitlichen Daten deutlich verbessert. Das Modell kombiniert die Vorteile einer Multiscale‑Mamba‑Architektur mit einer Mixture‑of‑Experts‑Strategie, um komplexe Abhängigkeiten zwischen Zeit und Ort effizient zu erfassen.</p> <p>Ein zentrales Problem bei bestehenden Deep‑L
arXiv – cs.LG