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

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

本文提出了一种使用信号衰减测量和机器学习算法进行交通流检测和车辆分类的基于射频的方法，实地测量结果证明了其约 99％的高分类成功率。

Jan, 2018

使用移动通信流量数据预测车辆流量，通过提取特征并将其与图神经网络结合，使得在没有摄像头的区域能够预测车辆流量，为交通管理提供了解决方案。

Mar, 2024

本文研究联邦学习应用于基站聚合 LTE 数据的时序预测的有效性。我们使用 5 种不同的神经网络架构在联邦设置下进行一步预测，结果表明：适应联邦设置的学习架构与集中式设置具有相当的预测误差，基站的预处理技术导致更高的预测准确性，而现代聚合器并不比简单的方法好。

Nov, 2022

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

我们研究了实时场景下应用于移动网络流量预测的两种实时预测算法的有效性，发现 Fast LiveStream Prediction（FLSP）算法相对于传统的在线预测算法，在异步数据汇报情况下，能够减少所需带宽一半，并提高预测准确性和降低处理负载。我们还通过对各种机器学习模型的算法复杂度和内存需求进行了细致分析，从而提供有关不同预测策略的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。

May, 2024

本文提出了一种基于字典学习的交替方向方法，用于综合研究和预测蜂窝网络流量建模和预测框架，并提高了预测准确性和鲁棒性。

Jun, 2016

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

基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

Mar, 2024