本研究旨在探讨用于摩洛哥高速公路交通预测的不同方法，包括统计分析和机器学习，该研究采用多种算法，如随机森林、人工神经网络和长短时记忆神经网络等，并开展了数据整理和深入理解交通行为的贝塔模型。
Nov, 2017
本研究提出了一种预测油轮码头停留时间的系统动态方法，使用多方面的数据源和创新性的数据分析及信息提取。该预测模型在历史基线验证的准确率高达98.81%，可用于港口智能和物流效率的推进。
Apr, 2022
本文使用贝叶斯深度学习模型预测未来云计算资源需求的分布和不确定性，并通过多组数据集进行不同的预训练和微调，比较单变量和双变量模型的精确度和对 QoS 的影响，并检验了模型的迁移学习能力和在真实环境中的可部署性。
Feb, 2023
本文介绍了一种创新的方法来生成一个逼真、多样、平衡和带标签的数据集，用于集装箱在码头环境下的视觉检查任务，并且我们证明了生成的合成标记数据集可以用于训练可以在实际环境中使用的深度神经网络。此外，我们提供了第一个开放的合成标记数据集“SeaFront”。
Jun, 2023
运输网络中的负载规划问题是包裹承运商服务网络设计的一个关键挑战，本文旨在开发一个决策支持工具以帮助规划者在网络的各个终端进行决策，通过结合机器学习和优化方法，解决动态负载规划问题并实现负载优化、资源利用和性能提升。
Jul, 2023
提出 PePNet 以改善工作负载的预测准确性，通过检测周期性、融合周期性信息以及迭代优化预测序列中最不适配部分，PePNet 在整体和重负载的预测准确性上相较于现有方法平均提高 20.0% 和 23.9%。
模型基于大样本历史数据，采用上下文感知并综合多个模块进行协同工作，旨在预测和控制货车到达终端大门的时间，以提高物流效率和交通流畅。
Nov, 2023
基于IOHMM模型的预测方法可以准确地预测建筑垃圾运输车辆的目的地和停留时间，从而有助于有效的环境管理。
Dec, 2023
通过区域时间图神经网络对整个州进行车辆停车位置使用预测，提高了预测准确性和性能，解决了卡车停车位不足、违规停车和安全问题。
Jan, 2024
使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的72%至74%的准确度。
May, 2024