本研究研究了反全球化趋势对国际贸易网络的影响以及它们在提高经济增长预测方面所起的作用。通过使用 2010 年至 2022 年来自近 200 个国家的部门级贸易数据，我们确定了由不断上升的贸易政策不确定性所推动的网络拓扑结构的显著变化。我们的分析突出了重要的全球参与者，通过中心性排名，美国、中国和德国一直保持着持续的主导地位。使用一系列有监督回归模型的竞赛，我们发现从部门特定贸易网络中评估的网络拓扑描述符极大地提高了国家 GDP 增长预测的质量。我们还发现非线性模型，如随机森林 (Random Forest)、XGBoost 和 LightGBM，优于经济文献中使用的传统线性模型。使用 SHAP 值解释这些非线性模型的预测时，我们发现大约一半的最重要特征源于网络描述符，强调了它们在改进预测中的重要作用。此外，本研究强调了近期经济表现、人口增长和初级产业的影响在塑造经济增长预测中的意义，为经济增长预测的复杂性提供了新的见解。

Apr, 2024

卡车运输由于灵活性和更快的交货速度等优点，仍然是美国货物运输的主要方式。了解人口和就业特征对卡车流量的影响对于更好的交通规划和投资决策至关重要。本研究使用美国人口普查局的人口和就业数据，利用机器学习算法（XGBoost）建立了一个模型来预测卡车流量，结果显示区域之间的距离是最重要的变量且与卡车流量呈非线性关系。

Feb, 2024

通过 Kernel Ridge 回归和 CityGAN，建立了 RidgeGAN 模型来预测印度小中城市的交通指数，结果显示两步法比现有基准效果更好。

Jun, 2023

提出了一种基于网络科学和表示学习的方法，利用高分辨率夜间卫星图像创建动态网络来量化经济指标和可视化各个地区的增长，预测大区域的空间经济支出，捕捉城市增长和人民生活水平变化的趋势，更好地帮助决策者理解增长。

Dec, 2018

利用人工智能的强大模式识别能力，通过整合代表交通需求和路网数据的开放数据源构建了一种用于公路碳排放估计的层次异构图学习方法 (HENCE)，在两个大规模真实世界数据集上的广泛实验验证了该方法的有效性和优越性，验证了其在推动人工智能应用于碳排放管理和可持续发展方面的成功。

Feb, 2024

该研究提出深度混合模型（DHM）用于交通出行方式分析，将道路网络和社会人口特征作为输入，利用图嵌入技术增强对城市结构的表达，结果在芝加哥的模式共享预测实验证明，DHM 在城市层面评估不同出行方式比例时具有更高的解释能力、预测准确性和地理洞察力。

May, 2024

本研究使用复杂网络概念分析了城市公共交通网络的统计特性，提出了一个简单的增长动态模型以重现它们的特性。

Mar, 2008

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

本文研究了航空运输网络的大规模特性对新发传染病全球传播演变的作用，并提出了一种考虑全球航空旅行基础设施和人口普查数据的全球流行疫情预测的随机计算框架。我们定义了一组能够表征传染病模式的异质性和可预测性的新量化指标，可以用于分析遏制政策和流行病风险评估。

Jul, 2005

本文提出了一种实用的 ETA 预测框架 DuETA，通过构建基于相关性的拥堵感知图和路线感知图转换器，可以捕捉空间上相距较远但与交通状况高度相关的路段对之间的交互作用，从而显著提高预测性能并已在百度地图中投入生产。

Aug, 2022