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
利用混合 Transformer 和时空自监督学习的模型来提高长期交通预测的鲁棒性，该模型通过在交通数据的序列级和图级应用自适应数据增强技术来增强其鲁棒性，利用 Transformer 克服了循环神经网络在捕捉长期序列方面的局限性，并采用 Chebyshev 多项式图卷积来捕捉复杂的空间依赖关系。此外，考虑到时空异质性对交通速度的影响，我们设计了两个自监督学习任务来建模时空异质性，从而提高模型的准确性和泛化能力。在两个真实数据集 PeMS04 和 PeMS08 上进行了实验评估，结果进行了可视化和分析，证明了所提模型的卓越性能。
Jan, 2024
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
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
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。
这篇研究论文提出了一种基于深度学习和极值理论的预测框架，通过混合分布模型和自动编码器生成器提取时间序列数据的特征，并预测极端事件的分布模型，证明了该方法在多个实际降雨数据集上的有效性。
Oct, 2023
本文提出了一种多层多视图增强时空 Transformer（LVSTformer）用于交通预测，该模型旨在从局部地理、全局语义和关键节点三个不同层次捕获空间依赖性，同时还具备长期和短期的时间依赖性，通过结合三种空间增强视图与三个并行空间自注意机制，模型可以全面捕获不同层次的空间依赖性，并且采用门控时间自注意机制有效捕捉长期和短期的时间依赖性。此外，在两个时空层之间引入了时空上下文广播模块，以确保注意力分配的均匀分布，缓解过拟合和信息损失，增强模型的泛化能力和鲁棒性。通过在六个知名交通基准上进行全面的实验，实验结果表明 LVSTformer 相比竞争基线模型实现了最先进的性能，最大改进幅度达到了 4.32%。
Jun, 2024
本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。
Jul, 2020
本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。
Sep, 2022