提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架（MPGCN），该框架从定点巴士记录数据中提取人类移动知识，以预测巴士乘客流量和优化路线，实验结果表明该方法具有潜在的实际应用价值。

Feb, 2022

本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

Mar, 2018

本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。

May, 2019

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022

本研究提出了一种基于空间 - 时间动态图关系学习模型的城市地铁流量预测方法，在北京、上海、重庆和杭州的城市地铁数据上进行了大量实验，并在城市地铁流量预测中优于其他 11 种基线方法。

Apr, 2022

21 世纪的现代旅游面临着众多挑战，其中游客数量快速增长、历史城市、博物馆等地区空间有限以及桥梁等瓶颈是最大的问题之一。本文中，我们通过使用深度学习方法（如 RNNs、GNNs 和 Transformers）以及经典的统计 ARIMA 方法在游客流量预测领域进行实证评估，扩展了旅游区域提供的有限数据，并引入了游客的地理位置轨迹、天气和假日等外部数据，以提高预测准确性和处理稀疏数据的能力。

Aug, 2023

提出了一个用于交通流量预测的增量学习方法，通过设计一种空间自注意模块和时间自注意模块，同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系，并通过空间 - 时间知识蒸馏模块进行增量学习。

Oct, 2023

本文提出了一种新颖的多模态分层 transformer 网络，通过融合被向量化的（流动代理）和视觉场景（流场、地图和占用）模式，以及交通代理之间的社会交互和占用和流之间的关系，来共同预测场景的流和占用，证明了该方法在 Waymo 开放运动数据集上的有效性。

Jul, 2022

介绍了一种针对自由流动交通模式的新型图构建方法，利用密度聚类算法确定图中节点的灵活定位，并从乘车数据中提取有价值的信息来初始化图神经网络的边权重，实验证实了该方法显著提高了模型的性能和计算效率。

Mar, 2024

快速城市化大幅加剧了交通拥堵问题，因此需要先进的拥堵预测服务来增强智能交通系统。本文介绍了一种拥堵预测混合专家模型 (CP-MoE)，通过稀疏门控自适应图学习器 (MAGLs) 和两个专门的专家解决了异构和动态时空依赖性的挑战，从而提供更稳健和可解释的拥堵预测。实验证实了 CP-MoE 方法在现实世界数据集上相较于其他最先进的时空预测模型的优越性，已在 DiDi 上部署以提高旅行时间估计系统的准确性和可靠性。

Jun, 2024