{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,9,11]]，“日期-时间”：“2024-09-11T01:12:40Z”，“时间戳”：1726017160726}，“参考-计数”：57，“发布者”：“Elsevier BV”，“许可证”：[{“开始”：{“日期-零件”：[2022,1,1]]“timestamp”：1640995200000}，“content-version”：“tdm”，“延迟天数”：0，“URL”：“https://www.elsevier.com/tdm\/userlicense\/1.0\/”｝，｛“开始”：｛“日期部分”：[[2022,1,1]]，“日期时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi.org/10.15223\/policy-017”｝，｛“开始”：｛“日期部分”：[[2022,1,1]]，“日期-时间”：“2022-01-01T00:00:00Z”，“timestamp”：1640995200000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”：{“date-parts”：[2022,1,1]]，“date-time”：“2022-01-01T00:00:00Z”，“timetamp”：6409520000}，doi.org \/10.15223 \/policy-012“}，{”开始“：{”日期部分“：[2022,1,1]]，“日期-时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://doi.org/10.15223\/policy-029”｝，｛“开始”：｛“日期部分”：[[2022,1,1]]，“日期-时间”：“2022-01-01T00:00:00Z”，“时间戳”：1640995200000｝，“内容版本”：“stm-asf”，“延迟天数”：0，“URL”：“https://\/doi.org/10.15223\/policy-004“}]，“出资人”：[{“DOI”：“10.13039\/501000001809”，“名称”：“国家自然科学基金”，“DOI-asserted-by”：“publisher”，“id”：[}“id”:“10.13029\/5010001809”、“id type”：“DOI“，”asserted-by“：”publisher“id”：“10.13039\/501000004731”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}]，“content-domain”：{“域”：[“elsevier.com”，“sciencedirect.com”]，“crossmark-restriction”：true}，“short-container-title”：[”带应用程序的专家系统“]，”published-print“：{”date-parts“：[2022,1]}，”DOI“：”10.1016\/j.eswa.2021.115992“，“type”：“journal-article”，“created”用法：{“date-parts”：[[2021,10,1]]，“date-time”：“2021-10-01T10:24:57Z”，“timestamp”：1633083897000}，“page”：“115992”，“update-policy”：”http://\/dx.doi.org\/10.1016\/elsevier_cm_policy“，”source“：”Crossref“，“is-referenced-by-count”：20，“special_numberning”：“C”，“title”：[“用于交通量预测的具有合成数据的时空多图卷积网络”]，“前缀”：“10.1016”，“体积”：“187”，“作者”：[{“给定”：“Kun”，“家族”：“Zhu”，“序列”：“first”，“从属关系”：[]}，{“给定”：“Shuai”，“家族”：“Zhang”，“序列”：“additional”，“从属关系”：[]}，{“给定”：“久胜”，“家族”：“Li”，“序列”：“additional”，“affiliation”：[]}，{“given”：“Di”，“family”：“Zhou”，“sequence”：“additional”，“affaliation”（从属关系）：[]{“fixed”：“Hua”，“序列”：“附加”，“家族”：“Dai”，“顺序”：“additional”：“[]}]，“member”：“78”，“reference”：[{“key”（关键字）：“10.1016\/j.eswa.2021.1}15992_b0005“，”非结构化“：”Bai，S.j.，Kolter，j。Z.，&Koltun，V.（2018）。用于序列建模的通用卷积和递归网络的经验评估。arXiv预印本arXiv:1803.01271.“}，{”年份“：”1991“，”系列时间“：”智能系统设计：集成专家系统、超媒体和数据库技术“，”作者“：”Bielawski“，”密钥“：”10.1016\/j.eswa.2021.115992_b0010“}”，{“问题”：“4”，“密钥”：“10.1016//j.eswa.2021.115992 _b0015”，“doi-asserted-by”：“crossref”，“首页”：“18”，“doi”：“”10.1109\/MSP.2017.2693418“，“article-title”：“几何深度学习：超越欧几里德数据”，“volume”：“34”，“author”：“Bronstein”，“year”：“2017”，“journal title”：《IEEE信号处理杂志》}，{“key”：《10.1016\/j.eswa.2021.115992_b0020》，“非结构化”：“Bruna，j.，Zaremba，W.，Szlam，A.，&LeCun，Y.（2013）图上的谱网络和局部连接网络。arXiv预印本arXiv:1312.6203.“}，{”issue“：”3“，”key“：”10.1016\/j.eswa.2021.115992_b0025“，”doi-asserted-by“：”crossref“，”first page“：“6164”，”doi“：”101016\/j.eswa.2008.07.069“，”article-title“：”Online-SVR用于典型和非典型交通条件下的短期交通流预测“，”volume“:”36“，”author“：”Castro-Neto“，”year“：”2009“，“”journal-title“：”带应用程序的专家系统“}，{“issue”：“1”，“key”：“10.1016\/j.eswa.2021.115992_b0030”，“doi-asserted-by”：“crossref”，“first-page”：“96”，“doi”：“10.3141\/1748-12”，“article-title”：“高速公路性能测量系统：挖掘环路检测器数据”，“volume”：”1748“，“author”：“Chen”，“year”：“2001”，“journal-title”交通研究记录“}，{”issue“：”4“，”key“：”10.1016\/j.eswa.2021.115992_b0035“，”doi-asserted-by“：”crossref“，”first page“：“1624”，”doi“：”101109\/TITS.2019.2910295“，”article-title“：”使用并行数据和生成对抗网络的交通流插补“，”volume“：IEEE智能交通系统汇刊“}，{“问题”：“8”，“关键”：“10.1016\/j.eswa.2021.115992_b0040”，“doi-asserted-by”：“crossref”，“首页”：“3671”，“doi”：“101007\/s00521-05226-6”，“文章标题”：“多尺度生成性对抗网络用于改进评估在器官对细胞实验中观察到的细胞\u2013细胞相互作用”，“卷”：“33”，“作者”：“来了”，“年份”：“2020”，“期刊标题”：“神经计算与应用”}，{“问题”：“11”，“关键”：“10.1016\/j.eswa.2021.115992_b0045”，“doi-asserted-by”：“crossref”，“首页”：“4883”，“doi”：“10.1109\/TITS.2019.2950416“，“文章标题”：“交通图卷积递归神经网络：网络规模交通学习和预测的深度学习框架”，“卷”：“21”，“作者”：“崔”，“年份”：“2019”，“期刊标题”：《IEEE智能交通系统汇刊》}，{“密钥”：“10.1016\/j.eswa.2021.115992_b0050”，“非结构化“：”Defferrard，M.、Bresson，X.和Vandergheynst，P.（2016）。具有快速局域谱滤波的图上的卷积神经网络。《第30届神经信息处理系统会议论文集》，12月5日至10日，西班牙巴塞罗那，第3844-3852页。“}，{“key”：“10.1016\/j.eswa.2021.115992_b0055”，“首页”：“1”，“article-title”：“灰色系统理论简介”，“volume”：邓，“年份”：“1989年”，“期刊标题”：“灰色系统杂志”}，{“key”：“10.1016\/j.eswa.2021.115992_b0060”，“doi-asserted-by”：“crossref”，“首页”：“464”，“doi”：“101016\/j.eswa.2017.09.030”，“article-title”：“使用条件生成对抗网络为不平衡学习有效生成数据”，“volume”：”91“，“author”：“Douzas”，“年份“：”2018“，”journal-title“：”Expert Systems with applications“}，{“key”：“10.1016\/j.eswa.2021.115992_b0065”，“doi-asserted-by”：“crossref”，“first-page”：“321”，“doi”：“101016\/j.neucom.2018.09.013”，“article-title”：“基于GAN的合成医学图像增强，提高CNN在肝脏病变分类中的表现”，“volume”：”321“，“author”：“Frid-Adar”，“年份”：“2018年”，“新闻标题”：“神经计算”}，{“问题”：“4”，“关键”：“10.1016\/j.eswa.2021.115992_b0070”，“doi-asserted-by”：“crossref”，“首页”：“1509”，“doi”：“10.3390\/app10041509”，”article-title“城市交通速度预测的全球时空图卷积网络”，“量”：“10”，“作者”：“葛”，“年”：“2020”，“journal-title“：“应用科学”}，{“key”：“10.1016\/j.eswa.2021.115992_b0075”，“doi-asserted-by”：“crossref”，“unstructured”：“耿，X.，Li，Y.G.，Wang，L.Y.，Zhang，L.Y，Yang，Q.，&Ye，j.P.等人（2019）.用于骑乘需求预测的时空多图卷积网络。第33届AAAI人工智能会议论文集，1月27日至2月1日，美国夏威夷，第3656-3663页Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.和Ozair，S.等人（2014年）。生成性对抗网络。《第28届神经信息处理系统会议记录》，12月8日至13日，加拿大蒙特勒，第2672-2680页。“}，{“问题”：“10”，“关键”：“10.1016\/j.eswa.2021.115992_b0090”，“doi-asserted-by”：“crossref”，“首页”：“3913”，“doi”：“101109\/TITS.2019.2906365”，“文章标题”：“用于交通数据预测的深度时空三维卷积神经网络”，“体积”：“20”，“作者”：“郭”，“年份”：“2019年”，“期刊标题”：“IEEE智能交通系统交易”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0095”，“doi-asserted-by”：“crossref”，”非结构化“：”Gupta，A.，Vedaldi，A.，&Zisserman，A.（2016）。用于自然图像中文本定位的合成数据。第29届IEEE计算机视觉和模式识别会议论文集，6月26日至7月1日，美国拉斯维加斯，第2315-2324页。“，”DOI“：”10.1109\/CVPR.2016.254“}，{“key”：“10.1016\/j.eswa.2021.115992_b0100”，“unstructured”：“Huang，T.，Chakraborty，P.，&Sharma，A.（2020）深度卷积生成对抗网络，用于交通数据插补，将时间序列编码为图像。arXiv预印本arXiv:2005.04188.“}，{”key“：”10.1016\/j.eswa.2021.115992_b0105“，”unstructured“：”Ioffe，S.，&Szegedy，C.（2015）.批处理规范化：通过减少内部协变量偏移来加速深层网络训练。《第32届国际机器学习会议论文集》，7月6日至11日，法国里尔，第448-456页。“}”，{“问题”：“2”，“key“：”10.1016\/j.eswa.2021.115992_b0110“，”doi-asserted-by“：”crossref“，”first-page“：”1188“，”doi“：”101109\/TVT.2018.2885366“，”article-title“：”Image-to-Image learning to predictive traffic speeds by considering area-wide space-time dependencies“，”volume“：“68”，“author”：“Jo”，“year”：“2018”，“journal-title”：“”IEEE车辆技术汇刊“}，{“年份”：“2004年”，“系列时间”：“软计算和智能系统设计：理论、工具和应用”，“作者”：“Karray”，“密钥”：“10.1016\/j.eswa.2021.115992_b0115”}，}，“键”：“101016\/j.eswa.2021.115992 _b0120”，“非结构化”：“Kingma，D.P.，&Ba，j.L.（2015）亚当：一种随机优化方法。arXiv预印本arXiv:1412.6980.“}，{”key“：”10.1016\/j.eswa.2021.115992_b0125“，”unstructured“：”Kipf，T.N.，&Welling，M.（2016）.图卷积网络半监督分类.arXiv预印本arX iv:1609.02907.“}”，{“issue”：“6”，“key”：“10.1016\\j.eswa.2021.115992 _b0130”，“首页”：“90”，“文章标题”：“关于确定k-means聚类中聚类数量的综述”，“卷”：“1”，“作者”：“Kodinariya”，“年份”：“2013”，“期刊标题”：“国际计算机科学与管理研究高级期刊”}，{“问题”：“7553”，“关键”：“10.1016\/j.eswa.202.11592_b0135”，“doi断言”：“crossref”，“首页”：“436”，“doi”：“10.1038\/nature14539“，”article-title“：”Deep learning“，”volume“：”521“，”author“：”LeCun“，”year“：”2015“，”journal-title”：“Nature”}，{“key”：“10.1016\/j.eswa.2021.115992_b0140”，“unstructured”：“Lee，K.，&Rhee，W.（2019）。DDP-GCN：用于时空交通预测的多图卷积网络。arXiv预印本arXiv:1905.12256。”}“，{”issue“：”7“，”key“：”10.1016\/j.eswa.202.11592_b0145“，”doi断言“：”crossref“，”第一页“：”1969“，”doi“：”10.1007\/s0521-015-1991-z“，”文章标题“：”基于动态模糊神经网络的交通流预测研究“，”卷“：”27“，”作者“：”Li“，”年份“：”2016“，”期刊标题“：”神经计算与应用“}，{”key“：”10.1016\/j.eswa.2021.115992_b0150“，”doi-asserted-by“：”crossref“，”unstructured“：”Li，M.Z.，&Z.X.（2021）。用于交通流预测的时空融合图神经网络。arXiv-print arXiv:2012.09641.“，”DOI“：”10.1109\/IJCNN55064.2022.9892326“}，{“key”：“10.1016\/j.eswa.2021.115992_b0155”，“unstructured”：“Li，Y.G.，Yu，R.，Shahabi，C.，&Liu，Y.（2018）。扩散卷积递归神经网络：数据驱动流量预测。arXiv-Print arX iv:1707.01926.”}，}“issue”：“1”，“key“：”10.1016\/j.eswa.202.11592_b0160“，”doi断言者“：”crossref“，”第一页“：”1“，”doi“：”10.1049\/itr2.12024“，”文章标题“：”交通预测研究的科学计量综述“，”卷“：”15“，”作者“：”刘“，”年份“：”2020“，”期刊标题“：”IET智能交通系统“}，{”问题“：”11“，”关键“：”10.1016\/j.eswa.2021.115992_b0165“，”doi-asserted-by“：”crossref“，”first page“：”999“，”doi“：”10.1111\/mices.12417“，”article-title“：”基于注意力卷积神经网络的干道短期交通速度预测“，”volume“：“33”，”author“：”Liu“，”year“：”2018“，”journal-title”：“计算机辅助土木和基础设施工程”}，{“issue“：”4“，”key“：”10.1016\/j.eswa.2021.115992_b0170“，”doi-asserted-by“：”crossref“，”first page“：“818”，”doi“：”10.3390\/s17040818“，”article-title“：”将流量作为图像学习：用于大规模交通网络速度预测的深度卷积神经网络“，”volume:“17”，“author”：“Ma”，“year”：“2017”，“journal-title”：“Sensors”}，{“key”：“”10.1016 \/j.eswa.2021.115992_b0175“，“非结构化”：“Maas，A.L.，Hannun，A.Y.，&Ng，A.Y..（2013）。整流器非线性改善了神经网络声学模型。《第30届机器学习国际会议论文集》，6月16日至21日，美国亚特兰大，第1152-1160页第五届伯克利数理统计与概率研讨会论文集“}，{“key”：“10.1016\/j.eswa.2021.115992_b0185”，“非结构化”：“Nair，V.，&Hinton，G.E.（2010）整流的线性单元改进了受限的玻尔兹曼机。第27届国际机器学习会议记录，6月21日至24日，以色列海法，第807-814页使用数据驱动的特征选择策略和偏差校正随机森林进行城市道路短期交通流量预测”，“体积”：“2645”，“作者”：“欧”，“年份”：“2017年”，“期刊标题”：“交通研究记录”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0195”，“doi-asserted-by”：“crossref”，“非结构化”：“Yu，B.，Yin，H.T.，&Zhu。十、（2020a）。时空图卷积网络：交通预测的深度学习框架。第27届国际人工智能联合会议记录，7月13日至19日，瑞典斯德哥尔摩，第3634-3640页。“，“DOI”：“10.24963\/ijcai.2018\/505”}，{“key”：“10.1016\/j.eswa.2021.115992_b0200”，“DOI-asserted-by”：“crossref”，“unstructured”：“Poma，Y.，Melin，P.，Gonz\u00e1lez，C.I.，&Martinez，G.E.（2020b）基于卷积神经网络和模糊引力搜索算法的最优识别模型。《控制、模式识别和医学中的混合智能系统》（编辑：Castillo，O.和Melin，P.），Springer Nature Switzerland AG，Cham，Switzerand，第71-81页。使用深度卷积生成对抗网络的无监督表示学习。arXiv预印本arXiv:1511.06434.“}，{”key“：”10.1016\/j.eswa.2021.115992_b0210“，”unstructured“：”Reed，S.，Akata，Z.，Yan，X.C.，Logeswaran，L.，Schiele，B.，&Lee，H.（2016）。生成对抗性文本到图像合成。《第33届国际机器学习会议论文集》，6月19日至24日，美国纽约，第1060-1069页。“}”，{“key”：“10.1016 \/j.eswa.2021.115992_b0215“，“非结构化”：“Shi，X.j.，Chen，Z.R.，Wang，H.，Yeung，D.Y.，Wong，W.K.，&Woo，W.C.（2015）。卷积LSTM网络：降水预报的机器学习方法。《神经信息处理系统进展学报》，12月7日至12日，加拿大蒙特利尔，第802-810页图上信号处理的新兴领域：将高维数据分析扩展到网络和其他不规则域”，“卷”：“30”，“作者”：“舒曼”，“年份”：“2013年”，“期刊标题”：“IEEE信号处理杂志”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0225”，“doi-asserted-by”：“crossref”，“非结构化”：“Song，C.，Lin，Y.F.，Guo，S。N.，&Wan，H.Y.（2020年）。时空同步图卷积网络：时空网络数据预测的新框架。《第34届AAAI人工智能会议论文集》，2月7日至12日，美国纽约，第914-921页。“，”DOI“：”10.1609\/AAAI.v34i01.5438“}，{“key”：“10.1016\/j.eswa.2021.115992_b0230”，“非结构化”：“Sutskever，I.，Vinyals，O.，&Le，Q.V.（2014）.使用神经网络进行序列到序列学习。《第28届神经信息处理系统会议记录》，12月8日至13日，加拿大蒙特勒，第3104-3112页使用纹理特征和神经网络根据胸部X光片上的表现对冠状病毒COVID-19进行分类的新方法”，“卷”：“545”，“作者”：“Varela-Santos”，“年份”：“2021”，“新闻标题”：“信息科学”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0240”，“非结构化”：“Vondrick，C.，Pirsiavash，H.，and Torralba，A.（2016）。使用场景动态生成视频。《第三十届神经信息处理系统会议记录》，12月5日至10日，西班牙巴塞罗那，第613-621页。“}，{”key“：”10.1016\/j.eswa.2021.115992_b0245“，”doi-asserted-by“：”crossref“，”first page“：“219”，“doi”：“10.1016\/j.trc.2012.08.004”，“article-title”：“基于混沌小波分析的短期交通速度预测混合模型——支持向量机理论”，“交通量”：“27”，“作者”：“王”，“年份”：“2013年”，“期刊标题”：“交通研究C部分：新兴技术”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0250”，“doi-asserted-by”：“crossref”，“首页”：“144”，”doi“10.1016\/j.trc.2018.12.004“，“article-title”：“通过深度学习加强交通系统：调查”，“卷”：“99”，“作者”：“王”，“年份”：“2019”，“期刊标题”：“交通研究C部分：新兴技术”}，{“关键”：“10.1016\/j.eswa.2021.115992_b0255”，“非结构化”：“Wang，Z.G.，&Oates，T.（2015）成像时间序列以改进分类和插补。《第24届国际人工智能联合会议论文集》，7月25日至31日，阿根廷布宜诺斯艾利斯，第3939-3945页MapReduce上用于短期交通流预测的分布式时空加权模型“，”交通量“：”179“，”作者“：”夏“，”年份“：”2016“，”期刊标题“：”神经计算“}，{“key”：“10.1016\/j.eswa.2021.115992_b0265”，“doi-asserted-by”：“crossref”，“first-page”：“189”，”doi“：”10.1016\/j.trc.2020.02.013“，”文章标题“：“基于图卷积神经网络（GCN），通过考虑区域范围的时空依赖性来预测道路交通速度，“卷”：“114”，“作者”：“Yu”，“年份”：“2020”，“期刊标题”：“交通研究第C部分：新兴技术”}，｛“关键”：“10.1016\/j.eswa.202.11592_b0270”，“doi断言由”：“crossref”，“非结构化”：“Yu，B.、Yin，H.T.和Zhu，Z.X.（2018）。时空图卷积网络：交通预测的深度学习框架。《第27届国际人工智能联合会议论文集》，7月13日至19日，瑞典斯德哥尔摩，第3634-3640页一种用于时间序列预测的具有动态纠错和多目标集成修剪的新型集成深度学习模型，“卷”：“544”，“作者”：“Zhang”，“年份”：“2021”，“期刊标题”：“信息科学”}，{“键”：“10.1016\/j.eswa.202.11592_b0280”，“doi断言”：“crossref”，“首页”：“221”，“doi”：“10.1016\/j.eswa.2081.12.020”，“article-title“：“一种新的具有增强多种群小生境遗传算法的多阶段混合模型：在信用评分中的应用”，“volume”：“121”，“author”：“Zhang”，“year”：“2019”，“journal-title”：“Expert Systems with Applications”}，{“issue”：“9”，”key“：”10.1016\/j.eswa.2021.115992_b0285“，”doi-asserted-by“：”crossref“，”first page“3848”，“doi”：“10.1109 \/TITS.2019.2935152“，”article-title“：”T-GCN:用于交通预测的时间图卷积网络“，”volume“：”21“，”author“：”Zhao“，”year“：”2020“，”journal-title”：“IEEE Transactions on Intelligent Transportation Systems”}]，”container-title:[“Expert Systems with Applications”]，”original-title:[]，”language“：”en“，”link“：[{”URL“：”https:\/\/api.elsevier.com/content\/article\/PII:S0957417421013403？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S0957417421013403？httpAccept=text\/plain“，”内容类型“：”文本\/plaine“，”content-version”：“vor”，“intended-epplication”：“text-mining”}]，“deposed”：{“date-parts”：[[2024,9,9]]，“date-time“：”2024-09-09T04:57:36Z“，”timestamp“：1725857856000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/linkinghub.elsevier.com\/retrieve\/pii\/S0957417421013403”}}，“副标题”：[]，“短标题”：[]，“已发布”:{“date-parts”：[2022,1]}，‘references-count’：57，‘alternative-id’：[”S095741721013403 13403“]，”URL“：”http:\/\/dx.doi.org\/10.1016\/j.eswa.2021.115992“，”关系“：{}，”ISSN“：[”0957-4174“]，”ISSN-type“：[{”类型“：”print“，”value“：”0957~4174“}]，”主题“：[]，”发布“：{”日期-部分“：[2022,1]}，“断言”：[{“value”：“Elsevier”，“name”：“publisher”，“label”：“此文章由”}，{维护“值”：“用于交通量预测的具有合成数据的时空多图卷积网络”，“name”：“articletitle”，“label”：“Article Title”}，{“value”：“Expert Systems with Applications”，“name:”journaltitle“，”label“：”Journal Title“}，”{“value”：“https:\/\/doi.org\/101016\/j.eswa.2021.115992”，“name”：“rticlelink”，“标签”：“CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2021 Elsevier Ltd.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]，“文章编号”：“115992”}