通过使用循环检测器收集的数据，提出了一种数据驱动的框架，可以准确估计高速公路主线上缺失的匝道流量，该框架利用了迁移学习模型，可以保证在具有不同交通模式、分布和特征的高速公路上准确估计入口和出口匝道的流量，从而优于传统机器学习模型。

Aug, 2023

基于模型和学习策略的协同作用，以及嵌入强化学习技术在模型预测控制框架内，以提高交通流量管理的创新方法为控制问题的公式化，该方法考虑了道路匝道入口流量控制的变数模型和需求不确定性，并通过模拟实验验证了其有效性。

Nov, 2023

本研究提出了一种基于深度强化学习 (DRL) 的协调控制框架，将示范引导的 DRL 方法与传统控制器相结合来实现大规模协调的分流控制和周边控制，并开发了一个新颖的混合动态网络模型用于描述交通拥堵的动态特征。案例研究表明，该框架在大规模网络中潜力巨大。

Mar, 2023

本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

May, 2023

利用时间序列分析为动态分配移动网络流量预测模型的新框架，通过选择性地使用学习行为相对于当前研究具有超过 50％的性能改进，并在无需对单个细胞具有先验知识的情况下超过传统方法；该框架通过无监督聚类识别独特趋势和季节模式，然后在每个聚类中应用监督学习进行流量量预测，使得不受空间和时间变化的惩罚，并且通过分析细胞的实时测量结果，智能选择最适合该细胞的聚类，使聚类分配根据时空波动的动态调整。

Nov, 2023

基于多层感知器与长短期记忆模型的交通预测系统应用于路易斯安那州实施的真实交通预测系统中，在 7 天飓风影响期间 6 小时的长期拥堵状态预测准确率达到 82％，并且短期速度预测模型在 1 至 6 小时的疏散时段中表现出 7％至 13％的均方绝对百分比误差。评估结果强调了该模型在飓风疏散过程中增强交通管理的潜力，并且实际部署显示其在广泛的交通网络中适应性和可扩展性。

Jun, 2024

本研究采用机器学习技术，开发建立了一个分析框架及端到端解决方案，根据收到的事故报告，对事故清除所需时间进行预测。该方案可用于改善交通管理中心对于车祸等突发事件所导致的交通拥堵问题，有望在调派救援车辆、维修人员或激活替代路线等各项措施方面具有积极的推动作用。研究表明，与以往研究方法相比，该方案显著提高了事故预测的准确性。

Apr, 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

通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

May, 2024

本研究旨在探讨用于摩洛哥高速公路交通预测的不同方法，包括统计分析和机器学习，该研究采用多种算法，如随机森林、人工神经网络和长短时记忆神经网络等，并开展了数据整理和深入理解交通行为的贝塔模型。

Nov, 2017