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

通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

Aug, 2023

基于卷积神经网络（CNNs）和长短期记忆（LSTM）深度学习架构，利用基于元胞自动机的统计力学模型预测交通流量，并通过观察统计力学模型的归一化能量分布的尺度不变性，采样模拟数据来生成大规模交通系统的训练和测试数据，结果显示预测与真实交通流动态之间存在良好的一致性。

Mar, 2024

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

Oct, 2023

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

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 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

该研究使用知识图谱模拟交通拥堵问题，并利用负载平衡、优化算法来识别无拥堵的道路网络，同时训练 RNN-LSTM 深度学习模型进行交通预测，结果表明基于图形的交通模拟，辅以 AI ML 交通预测可更有效地估计道路网络的拥堵程度。

Apr, 2023

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