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

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

2025

Полный текст Открытый доступ: Gold Метаданные (CSL-JSON)

DOI 10.1016/j.procs.2025.10.185

Достоверность данных 85 высокая

Как считается эта оценка

Складывается из проверяемых признаков самой записи: есть ли у статьи DOI, сколько независимых источников подтвердили её данные, заполнены ли обязательные поля и насколько свежо последнее подтверждение. Снижают оценку расхождения между источниками и отсутствие идентификатора. Значение от 80 означает, что запись опубликована без дополнительной проверки; от 60 до 79 — что она опубликована с пониженной достоверностью и ручная проверка желательна. Запись, выверенную редактором вручную, пересчёт не опускает ниже 90. Это оценка наших данных о статье, а не оценка самой статьи.

Аннотация

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.