Buchumschlag

Uncertainty Quantification of Spatiotemporal Travel Demand with Probabilistic Graph Neural Networks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Qingyi, Wang, Shenhao, Zhuang, Dingyi, Koutsopoulos, Haris, Zhao, Jinhua
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Applications
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SAUC: Sparsity-Aware Uncertainty Calibration for Spatiotemporal Prediction with Graph Neural Networks
von: Zhuang, Dingyi, et al.
Veröffentlicht: (2024)

Advancing Transportation Mode Share Analysis with Built Environment: Deep Hybrid Models with Urban Road Network
von: Zhuang, Dingyi, et al.
Veröffentlicht: (2024)

UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction
von: Yu, Dahai, et al.
Veröffentlicht: (2025)

GETS: Ensemble Temperature Scaling for Calibration in Graph Neural Networks
von: Zhuang, Dingyi, et al.
Veröffentlicht: (2024)

Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study
von: Zhuang, Dingyi, et al.
Veröffentlicht: (2025)

Estimating link level traffic emissions: enhancing MOVES with open-source data
von: Wang, Lijiao, et al.
Veröffentlicht: (2025)

Probabilistic Classification and Uncertainty Quantification of Sahara Desert Climate Using Feedforward Neural Networks
von: Tivenan, Stephen, et al.
Veröffentlicht: (2026)

Uncertainty-Aware Probabilistic Graph Neural Networks for Road-Level Traffic Accident Prediction
von: Gao, Xiaowei, et al.
Veröffentlicht: (2023)

Deploying Robust Decision Support Systems for Transit Headway Control: Rider Impacts, Human Factors and Recommendations for Scalability
von: Rodriguez, Joseph, et al.
Veröffentlicht: (2025)

Virtual Nodes Improve Long-term Traffic Prediction
von: Cao, Xiaoyang, et al.
Veröffentlicht: (2025)

Fast Uncertainty Quantification for Kernel-Based Estimators in Large-Scale Causal Inference
von: Kosko, Matthew, et al.
Veröffentlicht: (2026)

Statistical Uncertainty Quantification for Aggregate Performance Metrics in Machine Learning Benchmarks
von: Longjohn, Rachel, et al.
Veröffentlicht: (2025)

Uncertainty Quantification via Spatial-Temporal Tweedie Model for Zero-inflated and Long-tail Travel Demand Prediction
von: Jiang, Xinke, et al.
Veröffentlicht: (2023)

Rapid Parameter Inference with Uncertainty Quantification for a Radiological Plume Source Identification Problem
von: Edwards, Christopher, et al.
Veröffentlicht: (2025)

A Graph Sufficiency Perspective for Neural Networks
von: Shen, Cencheng, et al.
Veröffentlicht: (2025)

Probabilistic Digital Twin for Misspecified Structural Dynamical Systems via Latent Force Modeling and Bayesian Neural Networks
von: Kashyap, Sahil, et al.
Veröffentlicht: (2025)

Implicit Generative Prior for Bayesian Neural Networks
von: Liu, Yijia, et al.
Veröffentlicht: (2024)

BuildSTG: A Multi-building Energy Load Forecasting Method using Spatio-Temporal Graph Neural Network
von: Liu, Yongzheng, et al.
Veröffentlicht: (2025)

Graph Convolutional Support Vector Regression for Robust Spatiotemporal Forecasting of Urban Air Pollution
von: Jahan, Nourin, et al.
Veröffentlicht: (2026)

Resource-Based Time and Cost Prediction in Project Networks: From Statistical Modeling to Graph Neural Networks
von: Mirjalili, Reza, et al.
Veröffentlicht: (2025)

Designing Graph Convolutional Neural Networks for Discrete Choice with Network Effects
von: Villarraga, Daniel F., et al.
Veröffentlicht: (2025)

Combining Statistical Depth and Fermat Distance for Uncertainty Quantification
von: Nguyen, Hai-Vy, et al.
Veröffentlicht: (2024)

Sustainable Greenhouse Microclimate Modeling: A Comparative Analysis of Recurrent and Graph Neural Networks
von: Seri, Emiliano, et al.
Veröffentlicht: (2025)

Random-Set Graph Neural Networks
von: Woodley, Tommy, et al.
Veröffentlicht: (2026)

From Patchwork to Network: A Comprehensive Framework for Demand Analysis and Fleet Optimization of Urban Air Mobility
von: Jiang, Xuan, et al.
Veröffentlicht: (2025)

Generative Probabilistic Time Series Forecasting and Applications in Grid Operations
von: Wang, Xinyi, et al.
Veröffentlicht: (2024)

A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts
von: Lakatos, Mária
Veröffentlicht: (2025)

A Bayesian Framework for Post-disruption Travel Time Prediction in Metro Networks
von: Nazemi, Shayan, et al.
Veröffentlicht: (2026)

Dispersion based Recurrent Neural Network Model for Methane Monitoring in Albertan Tailings Ponds
von: Saha, Esha, et al.
Veröffentlicht: (2024)

Neural Network-based Partial-Linear Single-Index Models for Environmental Mixtures Analysis
von: Do, Hyungrok, et al.
Veröffentlicht: (2025)

Strategic Geosteering Workflow with Uncertainty Quantification and Deep Learning: A Case Study on the Goliat Field
von: Rammay, Muzammil Hussain, et al.
Veröffentlicht: (2022)

Scalable Spatiotemporal Prediction with Bayesian Neural Fields
von: Saad, Feras, et al.
Veröffentlicht: (2024)

A Novel Hybrid Approach to Contraceptive Demand Forecasting: Integrating Point Predictions with Probabilistic Distributions
von: Hewage, Harsha Chamara, et al.
Veröffentlicht: (2025)

Singular Bayesian Neural Networks
von: Toure, Mame Diarra, et al.
Veröffentlicht: (2026)

Simplifying Random Forests' Probabilistic Forecasts
von: Koster, Nils, et al.
Veröffentlicht: (2024)

Integrative Learning of Dynamically Evolving Multiplex Graphs and Nodal Attributes Using Neural Network Gaussian Processes with an Application to Dynamic Terrorism Graphs
von: Rodriguez-Acosta, Jose, et al.
Veröffentlicht: (2026)

Efficient Model Compression for Bayesian Neural Networks
von: Saha, Diptarka, et al.
Veröffentlicht: (2024)

Adaptive Norm-Based Regularization for Neural Networks
von: Qasim, Muhammad, et al.
Veröffentlicht: (2026)

Surrogate Modelling of Proton Dose with Monte Carlo Dropout Uncertainty Quantification
von: Pim, Aaron, et al.
Veröffentlicht: (2025)

Non-Asymptotic Uncertainty Quantification in High-Dimensional Learning
von: Hoppe, Frederik, et al.
Veröffentlicht: (2024)