交通预测对智能交通系统至关重要，而许多城市由于设备支持有限而缺乏足够的数据，这给交通预测带来了重大挑战。我们提出了一个解决跨城少样本交通预测问题的解决方案，名为多尺度交通模式库 (MTPB)。通过利用数据丰富的源城市，MTPB 通过空时感知的预训练过程有效地获取综合的交通知识，并使用先进的聚类技术系统地生成来自学到的知识的多尺度交通模式库。实证评估结果表明，MTPB 在真实世界交通数据集上具有出色的性能，在各个类别上超越了现有方法，并展现了对跨城少样本预测方法推进的诸多优点。

Feb, 2024

我们提出了一种基于频率增强的预训练框架 FEPCross，用于跨城市少样本预测，通过引入时间和频率领域的信息进行自监督训练，以及设计模块来丰富训练样本并维护动量更新的图结构，从而降低过拟合风险和提高预测效果，实验证实了 FEPCross 在真实交通数据集上的卓越性能和促进跨城市少样本预测进展的特性。

Jun, 2024

TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

Mar, 2023

提出了一种新的交通预测方法，将预测问题转化为模式匹配任务，通过构建一种新型的交通预测模型，即模式匹配记忆网络（PM-MemNet），该模型能够通过键值存储结构将数据与代表性模式进行匹配来进行预测，并且利用了图卷积和注意力机制的增强存储器结构来建模路况的时空相关性。实验结果表明，PM-MemNet 比现有的模型更准确，并具有更高的响应性。

Oct, 2021

本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

Apr, 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

研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

Mar, 2024

本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题，该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式，并在真实数据集上验证了其有效性。

Jul, 2022

本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

Nov, 2022

提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

May, 2024