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

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

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

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

通过交通流量物理特征转化提高深度学习模型的可迁移性和预测性能，实验结果表明该方法可成功应用于不同的交通数据集和位置

Jul, 2023

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

本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

Mar, 2018

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

该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来 30 分钟内某条街道是否会遇到异常高的交通流量，使用每 10 分钟更新的交通数据和长短期记忆（LSTM）神经网络进行预测。

Sep, 2023