本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

开发了一个开源代码基础架构，使用五种常见的方法评估了稳定和高度动态的情况下的短期乘客预测模型（包括计量经济学和深度学习方法），并使用智能卡数据的时间序列来预测哥伦比亚波哥大的 BRT 系统的未来一天的乘客需求，结果表明，在 COVID-19 疫情期间，使用 LSTM 模型的适应性训练和多输出设计优于其他模型，适应比其他模型更快。

Jun, 2023

我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

Mar, 2024

该研究提出了一种评估天气条件对旧金山湾区自行车共享系统自行车站点数量预测的影响的方法，利用随机森林技术和指导向前逐步回归方法开发了回归模型，并利用贝叶斯信息准则进行了模型比较和开发。研究结果表明，日间时间、温度和湿度是重要的计数预测因子，并且天气变量是地理位置依赖的，因此应该在建模之前进行量化。在车站 i 处提供的自行车数量和日间时间是估算站点 i 自行车数量的最重要的变量。

Jun, 2020

本文探究了骑乘服务的需求和推断模式。结果表明，需考虑的空间模式为出租车需求在纽约市场上具有重要影响。

Dec, 2017

该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022

鉴于近年来电动自行车与机械自行车的增加，本研究旨在开发一种全面了解移动动态的方法，区分不同的移动方式，并引入一种专为自行车量身定制的新型预测性维护系统。通过利用巴塞罗那的自行车共享系统 Bicing 的行程信息和维护数据，本研究对移动模式及其与自行车部件故障之间的关系进行了广泛分析，并应用了统计和机器学习生存模型来准确预测自行车的维护需求。

Apr, 2024

通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

Jun, 2017

新冠疫情对城市交通和公共交通乘客数量造成了重大影响，本研究提出一种专用的回归混合模型，能够对公共交通站点进行聚类和时间段进行分割，以分析疫情对铁路公共交通乘客数量的影响，并分析疫情引起的变化。

Feb, 2024

本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

Oct, 2022