利用生成对抗网络作为替代模型，我们开发了一种快速城市交通噪声地图绘制技术，使城市设计师和规划者能够轻松地预测设计所引起的声学影响的变化。

May, 2024

本文提出了一种针对城市移动流量分析的移动流量超分辨率技术，利用深度学习架构为移动网络设计了定制 ZipNet 和 GAN 模型，通过推断出从粗浅测量中获取的狭窄本地流量消耗， 能够唯一捕捉广泛覆盖区域上例行监测的流量量快照和相应消费的高分辨率的 spatio-temporal 关系，并通过真实数据集的实验表明，该方案是应用超分辨率概念大规模移动流量分析的首次尝试，与标准探测相比，精度高并且比现有的数据插值技术更好。

Nov, 2017

本研究采用包含 35 亿辆车辆出入收费系统记录的大规模数据集，通过交通网络分析来建立中距离陆路交通模式与区域经济地位的相关性，利用标准复杂网络的测量方法，分析公路交通网络的一组交通流特征并将其与城市 GDP 指标相关联，建立了多元线性回归模型，从而解释了中国三个省市城市 GDP 变化的 89％至 96％，我们采用双城市年度交通量拟合重力模型，发现距离衰减效应的时变特征与不同省份的经济发展模式相关联，结论是交通大数据揭示了区域经济发展的现状，同时也包含了区域管理和规划所需的人员流动、生产联系和物流等有价值的信息。

Feb, 2020

本文介绍了一种生成城市空间网络的模型：MoGAN，该模型基于生成对抗网络（GANs）算法，通过公共自行车和出租车运动数据集的实验证明 MoGAN 生成的网络真实性优于传统的 Gravity 和 Radiation 模型，可用于数据增强、模拟分析等领域。

Feb, 2022

该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

Dec, 2023

本文提出了一种新的交通预测方法，称为交通基础模型（TFM），该模型结合了交通仿真原则和图形结构，能够更准确地预测城市交通状况。

May, 2023

基于信号化交叉口复杂场景下的车辆轨迹预测，提出了一种融合交通信号信息和多车辆交互的知识增强生成对抗网络（Knowledge-Informed Generative Adversarial Network，KI-GAN）模型，并采用专用的注意力汇聚方法，在 6 秒观测和预测周期内实现了平均位移误差（Average Displacement Error，ADE）为 0.05 和终点位移误差（Final Displacement Error，FDE）为 0.12；当预测窗口扩展到 9 秒时，ADE 和 FDE 值进一步降低至 0.11 和 0.26，验证了该 KI-GAN 模型在复杂场景中车辆轨迹预测的有效性。

Apr, 2024

本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

Jun, 2022

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

提出了一种基于图卷积深度学习算法的改进交通预测方法，利用国家家庭旅行调查的人类活动频率数据增强了活动与交通模式之间的因果关系推断能力，从而实现了最先进的性能表现，而无需引入过多的计算开销。

Aug, 2023