本文提出了四种基于机器学习的时间和距离预测模型，其中最佳模型采用两个并行的基于注意力机制的 LSTM 网络，预测下一次行程的距离和时间的误差为 3.99％，比 LSTM 模型还要好 23.89％。我们同时提出了 TimeSHAP 方法用于解释模型的学习过程。

Mar, 2023

这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型，用于交通流预测，相比于传统方法，如 Markov 切换 ARIMA 和 LSTM，该模型具有显着的性能提升。

Jul, 2023

本研究利用四个真实世界的数据集，对四种深度神经网络模型进行了深入比较研究，探讨了它们各自利用不同基本元素（图卷积，图注意力，循环单元或注意机制）对交通预测问题的性能影响。结果表明，使用图注意力的基础模型在长期预测中表现更好，对于 RNN-based 模型选择图卷积和图注意力有着更大的影响，并且我们发现，我们修改后的 GMAN 在内存消耗更少的情况下表现出与原始模型相当的性能。

Nov, 2021

基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

Jun, 2024

本文提出了一种基于深度双向和单向 LSTM 神经网络的交通速度预测模型，该模型可以处理缺失值，适用于高速公路和城市道路等复杂网络，比其他模型更准确和稳健。

Jan, 2018

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018

本文提出了一种新颖的基于 CNN 和 LSTM 结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从 Granger 因果性的角度对其进行了分析探讨。

Dec, 2016

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