本文介绍了在预测实际交通时检测和纠正异常值对深度序列模型的影响，探究了多个模型在异常数据预测方面的表现，实验结果表明 LSTM-En-De（长短时记忆编码器 - 解码器）是最佳的预测模型，并能通过清除异常值降低预测误差。

May, 2022

基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。

Oct, 2023

使用图像处理和机器学习方法，基于边缘检测的实时交通强度估计系统在树莓派单板计算机上实现，为大规模部署提供了经济有效的解决方案。

Oct, 2023

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

本篇论文研究了如何使用单变量时间序列预测复杂时间序列（如印度季风降雨量）。作者提出了一种新的 Moving Front 方法来防止数据泄漏，并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。

Mar, 2023

提出了一种基于不确定性感知的交通预测框架，通过结合交通流理论和图神经网络的模型设计，在单次模型训练中能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明，从 2018 年到 2021 年，白天超过 80% 的交通数据可以被删除，而剩余 20% 的样本对于训练模型具有相同的预测能力，从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

Oct, 2023

借助美国航空公司的大量数据，本研究提出了一种新颖的多模态深度学习方法，以准确预测航班客流量，相较传统模型获得了显著的准确性提升。将循环神经网络（RNN）和卷积神经网络（CNN）相结合，并利用数据的时间和空间关系来增强预测性能，同时运用全面的数据处理策略，如构建三维张量、谨慎的遮掩策略和数据增强技术。研究结果表明，相较于传统基准模型，该方法的均方误差（MSE）约提高了 33%。因此，本研究强调了深度学习技术和细致数据处理在航班客流量预测领域的重要潜力。

Jan, 2024

本研究利用统计学、机器学习和深度学习模型建立了一个强大而准确的股票价格预测框架，研究结果表明该多模型的结合方法可以从波动和随机的股票价格数据中有效地学习。

Apr, 2020

本研究考虑交通流时间序列的时间模式，并实现了一个深度学习模型用于交通流预测。该模型名为 DeepTrend，通过分解原始交通流序列并从中提取时间趋势，利用两个叠加层的全连接层和 LSTM 层，以及预训练和微调，有效地提高了预测性能。

Jul, 2017

本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。

Apr, 2022