本文研究实际 IP 网络流量的统计模型预测，使用滚动预测方法得到显著的预测性能改进。通过评估自回归移动平均模型、带时序因子的自回归移动平均模型、带外生因子的自回归移动平均模型、Holt-Winter 模型等方法，以及结合 SARIMAX 方法使用 SARIMA 模型等手段，分析其表现差异与影响因素，并得出 SARIMAX 方法下滚动预测均方误差为 6.83％的最佳预测结果。

May, 2022

本研究旨在基于附近交通量和天气条件来预测一个道路段的交通流量，分析结果将有助于解决交通流量预测问题和开发具有高效交通运动和最小交通堵塞的最优化交通网络。

Nov, 2023

准确高效的交通预测对智能交通系统的规划、管理和控制至关重要。本文介绍了一种创新的交通流预测方法，即空间 - 时间选择性状态空间模型（ST-SSMs），采用了创新的 ST-Mamba 块，可以在较少的计算成本下实现良好的预测准确性。通过对多样化的真实数据集进行严格测试，ST-SSMs 模型在预测准确性和计算简易性方面呈现出异常的改进，为交通流预测领域树立了新的基准。

Apr, 2024

该研究使用宏观模型和来自自动交通计数器和探针车辆的多源时空数据，准确估计了无法测量这些指标的路段的交通流量和行程时间。使用名为 MaTE 的模型，该模型基于宏观交通流理论，可在仅使用观察到的这些指标的测量值的情况下进行网络范围内的交通流量和行程时间估计。实验结果显示，MaTE 模型在交通行程时间估计方面表现优于数据驱动的基准模型。

Jan, 2024

本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

May, 2023

本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

Apr, 2023

本文研究证明了存在一种具有可逆性质的 VARMA 模型，但在噪声变量服从非高斯分布时这种性质会破坏，从而提出了一种算法用于推断时间方向，并探究了算法在不同情况下的表现和应用，可扩展到因果推断领域。

Mar, 2016

该研究提出了一种基于人工智能的手机应用程序，利用交通密度数据，通过 LSTM、Transformer 和 XGBoost 等时间序列方法预测伊斯坦布尔的交通拥堵情况，并根据 MAPE、MAE 和 RMSE 等性能指标分析模拟结果，发现 Transformer 模型具有最准确的交通预测能力。该研究为未来定制适合市民日常使用的手机应用程序奠定了基础。

Dec, 2022

本文探究了骑乘服务的需求和推断模式。结果表明，需考虑的空间模式为出租车需求在纽约市场上具有重要影响。

Dec, 2017

本文介绍了 SA-LSTM，一种深度预测方法，通过在空间维度上集成自注意力 (SA) 和长短期记忆 (LSTM)，在实时中尺度交通预测方面取得了最先进的结果，并将此方法扩展到多步预测，从而在短期和长期预测之间取得了传统多步预测方法无法匹敌的平衡，并且在实时运行中实现了这些功能。

Feb, 2024