而且，COREL 在未知真图的情况下，已经能接近“使用真实图”的上限表现。与现有大多数将各时间序列独立处理的时间序列不确定性量化方法不同，COREL通过图深度学习在残差层面显式建模跨序列依赖，并在无需先验图结构、无需改造原始点预测器的前提下，实现了对预测区间的后验增强。COREL 将图深度学习与共形预测结合起来，创新性地提出面向相关时间序列进行关系感知的不确定性建模：它既可以在不改动原始点预测器的

结果显示，随着 LK 占比增加，平均熵从 0.5878 降至 0.1321，高熵单元比例从 33.82% 降至 1.53%，说明真实类别比例虽然让模型更“自信”，但也会使概率空间被 LK 主导，削弱对稀有换道行为的刻画能力。实验表明，相比 Monte Carlo Dropout 和 Ensemble CNN 等传统不确定性量化方法，SADI 能更有效地区分可靠与不可靠预测，在高置信阈值下显著过滤误

一期刊简介Transportation Research Part C (TR-C): Emerging Technologies 是交通领域顶刊，由 Elsevier 出版，中科院与 JCR 均为 1 区，近年影响因子约8–9.6。该期刊以交通系统为核心，聚焦 AI、大数据、运筹学等新兴技术对交通规划、运营、控制与管理的影响。本期推送Transportation Research Part C「

去掉这些嵌入中的任意一个，都会导致误差增加，表明它们都是准确预测所必需的。特别地，移除时间组件会带来更大的预测误差，这进一步强调了本文精心设计的时间（小时）和周（天）嵌入的重要性。此外，在最后的多头注意之后，还添加了一个额外的层标准化。中的时间信息，本文利用一个线性层将输入数据编码到单独的嵌入层中，包括日模式和周模式的时间嵌入。）也导致了显著的性能下降，这突显了时空嵌入在理解交通数据中时空依赖关系

中添加生成解释文本的指令，会导致解释往往与预测结果缺乏一致性，这是由于解释与预测之间的对齐不足造成的。值得注意的是，模型在整个月内的表现持续优于其他模型，体现了其在处理真实交通场景中多样时间动态变化时的优越能力。该框架的预测精度与当前最先进的深度学习模型相比具有竞争力，且无需额外训练，就能在不同交通流预测场景中展现出优异的泛化能力。进行指令微调，在保证预测精度的同时，能生成直观易懂的自然语言解释，

此外，文章提出了一种创新的特权知识蒸馏方法，包括相关性蒸馏和特征蒸馏，用于将教师模型中的表示迁移到轻量级学生模型中。随着大语言模型的发展，近期研究通过文本提示调优的方式，将大语言模型的知识注入到多变量时间序列预测任务中。的目标是：从所提出的跨模态教师模型中生成高质量的未来表征，并训练出一个高效的学生模型。），该方法包含基于特权信息的相关性蒸馏与特征蒸馏，能够让学生模型学习教师模型的行为模式，同时最

很久以前，心里就一直有一粒被压抑的种子，想做一个公开性的产品，或直播和亲友唱歌聊天，或录视频记录生活，或做公众号分享自己的喜怒哀乐。但，一直没有付诸行动~很庆幸现在的自己，有足够的时间和精力，做一些自己想做的事情。首先向大家介绍下自己：我是北京某高校博士研究生，不高，不帅，也没钱，但庆幸的是，这个年纪了，我还愿意抱着对生活的热情，去努力尝试，让心里那颗正在发芽的种子，再拼着生长~回...

结果显示，随着 LK 占比增加，平均熵从 0.5878 降至 0.1321，高熵单元比例从 33.82% 降至 1.53%，说明真实类别比例虽然让模型更“自信”，但也会使概率空间被 LK 主导，削弱对稀有换道行为的刻画能力。实验表明，相比 Monte Carlo Dropout 和 Ensemble CNN 等传统不确定性量化方法，SADI 能更有效地区分可靠与不可靠预测，在高置信阈值下显著过滤误

去掉这些嵌入中的任意一个，都会导致误差增加，表明它们都是准确预测所必需的。特别地，移除时间组件会带来更大的预测误差，这进一步强调了本文精心设计的时间（小时）和周（天）嵌入的重要性。此外，在最后的多头注意之后，还添加了一个额外的层标准化。中的时间信息，本文利用一个线性层将输入数据编码到单独的嵌入层中，包括日模式和周模式的时间嵌入。）也导致了显著的性能下降，这突显了时空嵌入在理解交通数据中时空依赖关系

通过存档数据和视频图像处理估算地铁站滞留乘客数1、文章信息《Estimation of left behind subway passengers through archived da...