Federated Drift-Aware Graph Neural Forecasting for Real-Time Passenger Flow

Айвар Сахипов, Zhanbai Uzdenbayev, Diar Begisbayev, Aruzhan Mektepbayeva, Ramazan Seiitbek, Didar Yedilkhan

2025

Толық мәтін Ашық қол жеткізу: Gold Метадеректер (CSL-JSON)

DOI 10.1016/j.procs.2025.10.185

Деректер сенімділігі 85 жоғары

Бұл баға қалай есептеледі

Ол жазбаның өзінің тексерілетін белгілерінен құралады: мақаланың DOI-і бар ма, оның деректерін қанша тәуелсіз дереккөз растады, міндетті өрістер толтырылған ба және соңғы растау қаншалықты жаңа. Дереккөздер арасындағы алшақтық пен идентификатордың болмауы бағаны төмендетеді. 80-нен бастап мән жазбаның қосымша тексерусіз жарияланғанын, 60-тан 79-ға дейін — оның сенімділігі төмен күйде жарияланғанын және қолмен тексеру ұсынылатынын білдіреді. Редактор қолмен тексерген жазбаны қайта есептеу 90-нан төмен түсірмейді. Бұл — мақаланың өзіне емес, ол туралы деректерімізге берілген баға.

Аңдатпа

This paper introduces FedST-GNN, a federated spatio-temporal graph neural network that combines encrypted federated averag- ing with frequency-domain Transformers and ADWIN-triggered meta-learning for privacy-preserving passenger flow forecasting. Evaluation on the Copenhagen-Flow dataset (18.7M events, 312 stops) demonstrates 5% and 7% improvements in MAE and RMSE respectively, over Temporal Fusion Transformer baselines, while maintaining 38ms inference latency on commodity hard- ware. During anomalous events such as a city half-marathon, the adaptive drift detection mechanism reduced peak prediction errors by 41% within a 5MB communication budget per federated round. These results establish that federated graph neural architectures can deliver real-time accuracy for intelligent transportation systems while preserving data privacy.