Buchumschlag

DeepSTA: A Spatial-Temporal Attention Network for Logistics Delivery Timely Rate Prediction in Anomaly Conditions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yi, Jinhui, Yan, Huan, Wang, Haotian, Yuan, Jian, Li, Yong
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Learning to Estimate Package Delivery Time in Mixed Imbalanced Delivery and Pickup Logistics Services
von: Yi, Jinhui, et al.
Veröffentlicht: (2025)

AFD-STA: Adaptive Filtering Denoising with Spatiotemporal Attention for Chaotic System Prediction
von: Gong, Chunlin, et al.
Veröffentlicht: (2025)

Self-Supervised Spatial-Temporal Normality Learning for Time Series Anomaly Detection
von: Chen, Yutong, et al.
Veröffentlicht: (2024)

Spatio-Temporal Demand Prediction for Food Delivery Using Attention-Driven Graph Neural Networks
von: Bhat, Rabia Latief, et al.
Veröffentlicht: (2025)

TrafficGPT: Towards Multi-Scale Traffic Analysis and Generation with Spatial-Temporal Agent Framework
von: Ouyang, Jinhui, et al.
Veröffentlicht: (2024)

EAGLE: Edge-Aware Graph Learning for Proactive Delivery Delay Prediction in Smart Logistics Networks
von: Xue, Zhiming, et al.
Veröffentlicht: (2026)

Temporal-Conditioned Normalizing Flows for Multivariate Time Series Anomaly Detection
von: Baumgartner, David, et al.
Veröffentlicht: (2026)

STA-GANN: A Valid and Generalizable Spatio-Temporal Kriging Approach
von: Li, Yujie, et al.
Veröffentlicht: (2025)

Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection
von: Özer, Kadir-Kaan, et al.
Veröffentlicht: (2026)

D-FaST: Cognitive Signal Decoding with Disentangled Frequency-Spatial-Temporal Attention
von: Chen, Weiguo, et al.
Veröffentlicht: (2024)

UniMamba: A Unified Spatial-Temporal Modeling Framework with State-Space and Attention Integration
von: Chen, Xingsheng, et al.
Veröffentlicht: (2026)

Linear Attention is Enough in Spatial-Temporal Forecasting
von: Ning, Xinyu
Veröffentlicht: (2024)

Spatial-Temporal Attention Model for Traffic State Estimation with Sparse Internet of Vehicles
von: Xue, Jianzhe, et al.
Veröffentlicht: (2024)

STGAtt: A Spatial-Temporal Unified Graph Attention Network for Traffic Flow Forecasting
von: Liang, Zhuding, et al.
Veröffentlicht: (2025)

Knowledge Distillation on Spatial-Temporal Graph Convolutional Network for Traffic Prediction
von: Izadi, Mohammad, et al.
Veröffentlicht: (2024)

Spatio-Temporal Attention Network for Epileptic Seizure Prediction
von: Li, Zan, et al.
Veröffentlicht: (2025)

ScatterAD: Temporal-Topological Scattering Mechanism for Time Series Anomaly Detection
von: Yin, Tao, et al.
Veröffentlicht: (2025)

Crossfusor: A Cross-Attention Transformer Enhanced Conditional Diffusion Model for Car-Following Trajectory Prediction
von: You, Junwei, et al.
Veröffentlicht: (2024)

Uncertainty-Aware Crime Prediction With Spatial Temporal Multivariate Graph Neural Networks
von: Wang, Zepu, et al.
Veröffentlicht: (2024)

Multivariate Time-Series Anomaly Detection based on Enhancing Graph Attention Networks with Topological Analysis
von: Liu, Zhe, et al.
Veröffentlicht: (2024)

TANDEM: Temporal Attention-guided Neural Differential Equations for Missingness in Time Series Classification
von: Oh, YongKyung, et al.
Veröffentlicht: (2025)

Network Level Spatial Temporal Traffic State Forecasting with Hierarchical-Attention-LSTM (HierAttnLSTM)
von: Zhang, Tianya
Veröffentlicht: (2022)

Urban-STA4CLC: Urban Theory-Informed Spatio-Temporal Attention Model for Predicting Post-Disaster Commercial Land Use Change
von: Guo, Ziyi, et al.
Veröffentlicht: (2025)

A Graph Prompt Fine-Tuning Method for WSN Spatio-Temporal Correlation Anomaly Detection
von: Ye, Miao, et al.
Veröffentlicht: (2026)

Double-Path Adaptive-correlation Spatial-Temporal Inverted Transformer for Stock Time Series Forecasting
von: Yan, Wenbo, et al.
Veröffentlicht: (2024)

InSTA: Towards Internet-Scale Training For Agents
von: Trabucco, Brandon, et al.
Veröffentlicht: (2025)

Deep Reinforcement Learning for Demand Driven Services in Logistics and Transportation Systems: A Survey
von: Zong, Zefang, et al.
Veröffentlicht: (2021)

Deep Autoencoders for Unsupervised Anomaly Detection in Wildfire Prediction
von: Üstek, İrem, et al.
Veröffentlicht: (2024)

On the Practice of Deep Hierarchical Ensemble Network for Ad Conversion Rate Prediction
von: Zhuang, Jinfeng, et al.
Veröffentlicht: (2025)

Learnable Spatial-Temporal Positional Encoding for Link Prediction
von: Tieu, Katherine, et al.
Veröffentlicht: (2025)

A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection
von: Jin, Ming, et al.
Veröffentlicht: (2023)

Structured Temporal Causality for Interpretable Multivariate Time Series Anomaly Detection
von: Cho, Dongchan, et al.
Veröffentlicht: (2025)

STD-PLM: Understanding Both Spatial and Temporal Properties of Spatial-Temporal Data with PLM
von: Huang, YiHeng, et al.
Veröffentlicht: (2024)

A lightweight Spatial-Temporal Graph Neural Network for Long-term Time Series Forecasting
von: Moges, Henok Tenaw, et al.
Veröffentlicht: (2025)

Beyond Model Ranking: Predictability-Aligned Evaluation for Time Series Forecasting
von: Feng, Wanjin, et al.
Veröffentlicht: (2025)

Network-Wide Traffic Volume Estimation from Speed Profiles using a Spatio-Temporal Graph Neural Network with Directed Spatial Attention
von: Hein, Léo, et al.
Veröffentlicht: (2025)

Deep Multi-View Channel-Wise Spatio-Temporal Network for Traffic Flow Prediction
von: Miao, Hao, et al.
Veröffentlicht: (2024)

Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware
von: Liu, Chaoqun, et al.
Veröffentlicht: (2024)

STG4Traffic: A Survey and Benchmark of Spatial-Temporal Graph Neural Networks for Traffic Prediction
von: Luo, Xunlian, et al.
Veröffentlicht: (2023)

AGHINT: Attribute-Guided Representation Learning on Heterogeneous Information Networks with Transformer
von: Yuan, Jinhui, et al.
Veröffentlicht: (2024)