Traffic Theory Inspired Spatiotemporal and Multimodal Deep Learning Models for Trustworthy Short-Term Urban Traffic Forecasting
DSpace/Manakin Repository
JavaScript is disabled for your browser. Some features of this site may not work without it.
Traffic Theory Inspired Spatiotemporal and Multimodal Deep Learning Models for Trustworthy Short-Term Urban Traffic Forecasting
Title:Traffic Theory Inspired Spatiotemporal and Multimodal Deep Learning Models for Trustworthy Short-Term Urban Traffic Forecasting; Αξιόπιστη Βραχυπρόθεσμη Πρόβλεψη Κυκλοφορίας σε Αστικά Δίκτυα με Χωροχρονικά και Πολυτροπικά Μοντέλα Βαθιάς Μάθησης Εμπνευσμένα από τη Θεωρία της Κυκλοφοριακής Ροής