提出PHGNet：原型引导超图用于异构时空预测

Ruiwen Gu、Yahao Liu、Zhenyu Liu、Qitai Tan、Xiao-Ping Zhang等提出PHGNet，一个基于原型引导超图构建的异构时空预测框架，面向交通系统预测任务。该方法通过原型学习机制将模式相似的节点自适应分配到超边以捕捉时变结构的高阶交互，并包含全局—局部节点表示模块、迭代残差细化和Temporal Query Attention，支持并行解码。 基于论文摘要，作者声称在多个真实世界数据集上的实验表明PHGNet相较现有最先进方法具有更好的预测性能，但摘要未提供具体数据集、基线、指标或实验细节，结果尚待核验。

AI 根据报道生成 · 25 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。