使用稀疏 GPS 数据点及其相关的地形和道路设计特征，我们在缺乏交通数据的区域提出了一个解决方案来预测速度。通过创建一个基于地形聚类道路的以时间为导向的速度字典，我们展示了对新的和标准回归方法的定性和定量改进。这个框架为缺失数据交通分析提供了全新的视角。

Feb, 2024

交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。

Sep, 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

该研究分析并分类现有的车道级交通预测研究，建立了统一的空间拓扑结构和预测任务，并基于图结构和 MLP 网络引入了一个简单的基准模型 GraphMLP。通过公开发布三个新数据集和相应的代码，提供了关于效果、效率和适用性的深入评估，以加速该领域的进展。

Mar, 2024

本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

Sep, 2019

通过使用多尺度图小波时域卷积网络 (MSGWTCN) 模型，同时捕捉不同层次的空间信息和提取数据的时间依赖性，可以更好地预测复杂交通网络中的交通状态，并在实验中证明了该模型的卓越表现。

Jun, 2024

本研究提出了一种基于多尺度波形变换和时空约束的交通流量预测方法，使用 Motif-GCRNN 和 ARMA 预测不同频率分量的交通速度，并在成都的一个交通数据集上进行了实验，证明这种方法在交通预测方面的有效性。

Apr, 2019

为了优化智能交通系统（ITS）中的交通流管理，及时准确的交通预测的关键性已引起了大量学术关注。在道路图结构中，时空图神经网络（STGNNs）因其适应性而受到赞赏。然而，目前关于 STGNNs 架构的研究往往更偏向于复杂设计，从而导致计算负担增加，但提高的准确性不明显。为了解决这个问题，我们提出了 ST-MLP，一种基于级联多层感知机（MLP）模块和线性层的简洁时空模型。具体来说，我们结合了时间信息、空间信息和预定义的图结构，并成功实现了通道独立策略 —— 这是一种在时间序列预测中有效的技术。实证结果表明，ST-MLP 在准确性和计算效率方面优于最先进的 STGNNs 和其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁和有效的神经网络架构。

Aug, 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

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