本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。

Feb, 2019

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

本文提出了一种城市流量监测的方法，通过粗块观测来推断城市的实时和精细化的人流，使用 UrbanFM 模型实现精细流的分布。UrbanPy 模型的逐步推理功能可优化 UrbanFM 的效率和性能。

Feb, 2020

本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

Dec, 2023

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

使用 TraffNet 这一深度学习框架，通过车辆轨迹数据学习交通流量的因果关系，支持基于时机的决策制定并验证其有效性。

Mar, 2023

通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。

Apr, 2024

为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用，我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network（ST-GDN），该框架具有层次结构的图神经架构，不仅可以从局部角度学习区域地理依赖关系，而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络，以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。

Oct, 2021

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

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