यह अध्ययन उच्च-निष्ठा डेटा की कमी वाली स्थितियों में कुशल स्थानिक-कालिक प्रवाह क्षेत्र पूर्वानुमान के लिए एक बेहतर बहु-निष्ठा गहन ऑपरेटर नेटवर्क (डीपओनेट) ढाँचा प्रस्तुत करता है। प्रमुख नवाचारों में शामिल हैं: पारंपरिक डॉट उत्पाद संचालन का स्थान लेने वाला एक मर्ज नेटवर्क, जो पूर्वानुमान त्रुटि को 50.4% तक कम करता है, सटीकता में 7.57% सुधार करता है, और प्रशिक्षण समय को 96% तक कम करता है; एक स्थानांतरण अधिगम-आधारित बहु-निष्ठा दृष्टिकोण जो पूर्व-प्रशिक्षित निम्न-निष्ठा नेटवर्क को ठीक करता है और केवल मर्ज नेटवर्क को प्रशिक्षित करता है, जो मौजूदा विधियों की तुलना में 76% तक बेहतर प्रदर्शन और एकल-निष्ठा प्रशिक्षण की तुलना में 43.7% अधिक सटीकता प्राप्त करता है; और एक भौतिकी-आधारित उप-नमूनाकरण विधि जो समय-गतिकी के आधार पर उच्च-निष्ठा प्रशिक्षण बिंदुओं का रणनीतिक रूप से चयन करती है, जो समान सटीकता बनाए रखते हुए उच्च-निष्ठा नमूना आवश्यकता को 40% तक कम कर देती है। विभिन्न संकल्पों और डेटासेटों पर व्यापक प्रयोगों से पता चलता है कि प्रस्तावित ढांचा पूर्वानुमान सटीकता को बनाए रखते हुए आवश्यक उच्च-निष्ठा डेटासेट आकार को महत्वपूर्ण रूप से कम कर सकता है, तथा मौजूदा बेसलाइन मॉडलों से लगातार बेहतर प्रदर्शन कर सकता है।
