提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

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

通过引入 Temporal Graph Learning Recurrent Neural Network (TGLRN) 模型，我们可以动态地构建每个时间步长的图形，从而准确地预测交通流量，并通过边采样策略进一步提高模型的性能。

Jun, 2024

该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

Apr, 2024

本文提出了 PredictionNet，这是一种深度神经网络，用于预测周围交通代理的运动，参考了多层地图和强化学习，在真实交通和流程控制中表现出色。

Sep, 2021

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

本研究提出了 DTIGNN 方法，通过建立动态图模型，利用交通信号灯，学习基础交通流过渡方程，并在流程中进行插补，从而从稀疏数据中预测网络级交通流。经实验证明，该方法优于其他方法，可更好地支持交通决策。

Aug, 2022

本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

Jul, 2017

本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型，通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒，以预测城市细粒度交通流量，并在实验中证明了该模型优于现有方法。

Jun, 2023

通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

Feb, 2018