本研究论文提出了一种基于树模型和神经网络集成的新型 ETA（预计到达时间）估计方法，并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。

Jul, 2024

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

本论文提出了一种使用图神经网络的方法，直接在道路图的拓扑结构上预测交通情况，同时采用分层图表示来改善关键路口之间的信息流动，并研究了压缩道路图以提高信息流动效率的方法，并使用多任务方法同时预测拥堵级别和预计到达时间。

Nov, 2022

本文提出一种基于归纳图转换器（IGT）的回归函数方法，通过原始特征信息与结构图数据进行参数训练，以预估出物流包裹的交付时间，实验结果表明该方法可以显著提高交付时间的估计精度。

Nov, 2022

本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

Jul, 2022

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

Nov, 2022

该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

Jun, 2022

该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。

Jun, 2023

城市交通正在发生转变，通过共享、连接和协作的自动驾驶车辆的出现。然而，为了被顾客接受，对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统，利用分别针对停留时间和行驶时间的模型，并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外，我们还探索了使用图神经网络（GNN）集成空间数据的好处。为了准确处理穿梭车跳过站点的情况，我们提出了一个分层模型，组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的，在预测多站点时也显示出较低的错误率。然而，并无一种单一模型在各方面都表现出优势，我们提供了影响模型选择过程的试点站点特征的见解。最后，我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解，并为领域的进一步发展铺平了道路。

Jan, 2024