基于数据驱动的交通重建和核方法用于识别阻塞拥堵
本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。
Jun, 2022
提出并研究了一个数据驱动框架，用于在全球范围和分段细粒度上识别交通堵塞函数（宏观交通变量观测之间的数值关系）。与为每个道路估计单独的参数集的方法相比，我们的方法可以在都市区域的所有道路上学习一个单一的黑盒函数。
May, 2024
该研究提出一种通过检查拓扑特征来发现具有相似交通流量特征的交通路段的方法，该方法可以通过数据的合成来尽可能减少对交通监测所需的经济投入。研究还分析了几种基于此方法的数据生成方法，并与简单的流量估计方法进行了比较。
Jan, 2022
通过商用车辆行程记录数据集，该研究旨在开发预测模型，用于美国主要城市交叉口的交通拥堵，包括正交坐标、街道名称、时间和交通指标等特征，并结合其他特征如降雨 / 降雪百分比、距离市中心和市郊的距离以及道路类型，通过数据探索、特征转换和处理缺失值的方法，提出的模型有助于帮助城市规划者和政府预测交通热点，优化运营，识别基础设施问题。
Apr, 2024
本文提出了新的任务：行人停止和行走预测，并介绍了一个包括多个场景和行为的数据集，以及一个融合多种上下文的混合模型，用于提高行人运动预测算法的鲁棒性，并在数据集上验证了该模型的性能。
Mar, 2022
RegTraffic 是一种新型的交通仿真器，它能够预测与邻近道路相关的拥堵情况，并提供易于使用的网络界面来可视化交通状况，性能评估结果表明，RegTraffic 可以有效地预测交通拥堵。
Nov, 2022
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
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
本文介绍了一种使用出租车 GPS 数据定量测量交通系统弹性的方法，通过计算城市各个区域之间的历史速度分布并测量异常事件期间的速度偏差，该方法应用于纽约市近 7 亿辆出租车的数据集，可用于分析与飓风桑迪相关的交通基础设施弹性，该分析表明飓风桑迪影响交通状况超过 5 天，每英里最高时延为 2 分钟，并可潜在地用作在线监测工具。
Jul, 2015