网络流量分析与预测技术综述
该研究论文主要介绍了交通预测的重要性和如何通过应用新兴技术以及人工智能等方法来改善交通预测。同时，该论文还着重总结了多元交通时间序列建模的数据预处理方法以及未来研究的主要挑战。
May, 2023
利用机器学习和数据挖掘技术增强网络安全，本文提出了一种新的技术，基于多个数据参数预测网络中即将发生的攻击，通过测试阶段的结果选择最佳模型，并提取可能导致攻击的事件类别。
Dec, 2023
网络入侵和网络威胁的早期检测是网络安全的主要支柱之一。本文提出通过对网络流量进行预处理，提取新的基于图论的指标，从而更高效地检测网络攻击，并克服传统方法的一些局限性。实验证实，该方法不仅能够克服传统方法的局限性，还能够实现更好的网络威胁检测能力。
Feb, 2024
此研究通过对最近在交通事故分析和预测中应用机器学习技术的全面回顾，解决了道路安全领域中对先进预测方法的需求。通过分析 191 项研究，重点关注预测事故风险、频率、严重程度、持续时间以及事故数据的统计分析，该研究展示了整合多样化数据源和先进机器学习技术以提高预测准确性并处理交通数据复杂性的有效性。该综述是首次提供如此全面的回顾，概述了与事故分析和预测相关的广泛领域最新研究现状。通过绘制当前研究格局并鉴别文献中的不足，该研究旨在引导未来研究，实现到 2030 年显著减少与交通相关的死亡和伤害目标，与世界卫生组织（WHO）的目标相一致。
Jun, 2024
利用机器学习方法，该研究介绍了一种高级网络流量分类系统，能够实时分析网络流量并识别各种网络服务类型。通过对网络流量中的模式进行分析，我们的方法将相似的网络流量归类为不同的网络服务，并将流量分解为多个小的流，每个流专门用于承载特定的服务。我们的机器学习模型基于包含不同网络服务类型的标记示例的数据集进行训练，并在评估中展现了出色的准确性。这些结果强调了将人工智能集成到无线技术中的巨大潜力，通过这种方法可以实现更高效的能源消耗、提供更好的服务质量保证以及优化网络资源的分配，为先进智能网络的发展打下坚实的基础。
Oct, 2023
该研究分析并分类现有的车道级交通预测研究，建立了统一的空间拓扑结构和预测任务，并基于图结构和 MLP 网络引入了一个简单的基准模型 GraphMLP。通过公开发布三个新数据集和相应的代码，提供了关于效果、效率和适用性的深入评估，以加速该领域的进展。
Mar, 2024
本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。
Jan, 2021
基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。
Oct, 2023
本研究旨在探讨用于摩洛哥高速公路交通预测的不同方法，包括统计分析和机器学习，该研究采用多种算法，如随机森林、人工神经网络和长短时记忆神经网络等，并开展了数据整理和深入理解交通行为的贝塔模型。
Nov, 2017