RegTraffic: 用于时空交通建模、仿真和可视化的基于回归的交通模拟器
该论文提出了一种新的模型ST-GRAT，通过空间和时间注意力以及哨兵向量的使用，能够更有效地捕捉道路网络中的时空动态，并且在交通速度快速变化的困难条件下表现出色。
Nov, 2019
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
TransWordNG是第一款能够从真实交通数据中自动学习交通模式、高效生成准确、逼真交通环境的交通模拟器，它使用数据驱动的算法和图计算技术来应对交通环境的高维度和异质性。
May, 2023
在本研究中，我们提出了ChatTraffic，这是一个将文本转化为交通场景的扩散模型，通过结合生成模型和描述交通系统的文本，解决了交通预测方法在异常事件敏感性和长期预测性能方面的挑战。通过结合图卷积网络和扩散模型以提取交通数据的空间相关性，并构建了一个大型的文本-交通数据集，实验证明ChatTraffic能够从文本生成逼真的交通场景。
Nov, 2023
研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为Text-to-Traffic Generation (TTG)任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明ChatTraffic可以从文本中生成逼真的交通情况。
Mar, 2024
通过商用车辆行程记录数据集，该研究旨在开发预测模型，用于美国主要城市交叉口的交通拥堵，包括正交坐标、街道名称、时间和交通指标等特征，并结合其他特征如降雨/降雪百分比、距离市中心和市郊的距离以及道路类型，通过数据探索、特征转换和处理缺失值的方法，提出的模型有助于帮助城市规划者和政府预测交通热点，优化运营，识别基础设施问题。
Apr, 2024
交通速度预测对智能导航和缓解拥堵至关重要。本文提出了一种名为ICST-DNET的新型交通速度预测架构，综合考虑了交通扩散、交通数据解释性不好、交通速度波动等因素。经过广泛实验验证，ICST-DNET表现优于现有基线，具有更高的预测准确性、解释因果关系的能力和适应不同场景的能力。
Apr, 2024
利用AI代理、多尺度交通数据、语义信息以及可视化，设计了TrafficGPT系统，实现多尺度交通预测和交互性能，通过实验验证其在真实道路数据集上的卓越表现。
May, 2024
本文介绍了SynTraC，这是第一个公开的基于图像的交通信号控制数据集，旨在弥合模拟环境与现实交通管理挑战之间的差距。该数据集提供了来自CARLA模拟器的真实风格图像，配有注释特征及交通信号状态，展示了多样的现实场景和不同的奖励值，对增强的交通信号控制算法如强化学习具有潜在影响。
Aug, 2024