预测城市规模下重污染天气期间渣土车活动级别的实用问题，设计了一种深度集成学习框架（称为 AI-Truck），利用 BI-LSTM、TCN、STGCN 和 PDFormer 作为基分类器，以 1km×1km 的分辨率，在中国成都市的一个面积为 193 平方公里的区域内预测渣土车活动的级别。作为分类器，AI-Truck 在 0.5 小时和 1 小时预测中实现了接近 80％的 Macro f1。

Dec, 2023

城市交通正在发生转变，通过共享、连接和协作的自动驾驶车辆的出现。然而，为了被顾客接受，对它们的准时性的信任至关重要。本研究提出了一种用于自主穿梭车的到达时间预测系统，利用分别针对停留时间和行驶时间的模型，并通过现实世界五个城市的数据进行验证。除了传统方法如 XGBoost 外，我们还探索了使用图神经网络（GNN）集成空间数据的好处。为了准确处理穿梭车跳过站点的情况，我们提出了一个分层模型，组合了随机森林分类器和 GNN。最终的到达时间预测结果是令人满意的，在预测多站点时也显示出较低的错误率。然而，并无一种单一模型在各方面都表现出优势，我们提供了影响模型选择过程的试点站点特征的见解。最后，我们确定停留时间预测是在低交通地区或受到监管限速时自动穿梭车整体到达时间预测准确性的关键决定因素。本研究为自主公共交通预测模型的现状提供了见解，并为领域的进一步发展铺平了道路。

Jan, 2024

使用大型语言模型 (LLM) 对移动性预测问题进行综述，介绍了在交通系统内使用 LLM 的应用、最新进展以及需要克服的挑战。

May, 2024

提出多阶段概率预测路径的自主系统的新方法，包括轨迹转换、位移时间序列聚类、轨迹生成和排序建议，使用深度特征聚类方法进行分布偏移、使用新的基于距离的排序建议进行轨迹生成和分配概率，从而比传统方法更有效且准确地在人和道路代理的轨迹数据上实现上胜于无上下文的深度生成模型，同时当比较最可能的轨迹时与点估计器表现相似。

Jul, 2023

这篇研究提出了一种混合隐藏马尔可夫 - LSTM 模型，用于交通流预测，相比于传统方法，如 Markov 切换 ARIMA 和 LSTM，该模型具有显着的性能提升。

Jul, 2023

本文设计和实现了一个基于贝叶斯深度学习的预测模型，利用真实数据预测空集装箱停车场集卡的工作量和交通量，验证了该模型的实用性，为构建一个高效的流量和工作量计划系统提供了基础。

Nov, 2022

提出了一种新的鲁棒 HDP-HSMM（rHDP-HSMM）方法，用于减少冗余状态的数量，并改善模型估计的一致性。通过模拟研究和使用自然驾驶数据的案例研究来证明该方法在识别和推断驾驶操纵模式方面的有效性。

Nov, 2023

本文提出了一种基于机器学习的方法，以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明，我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈，包括总量和时间分布，这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点（POI）数据和在线车辆数据获取城市功能分布信息和车辆行驶时间（VHT）信息。选择了预测性能最好的人工神经网络（ANNs）。通过使用不同地区收集的数据集进行相互预测，并将预测结果重新映射到地图上进行可视化，我们评估了计算模型在不同地区的使用程度，以减轻未来城市研究人员的工作负担。最后，我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用，并与遗传算法相结合来优化当前城市环境的状态，为设计师提供建议。

Nov, 2023

本文提出了一种基于数据驱动和改进传输模式的关系模型的流模型，名为 MOHER，用于预测新计划站点的潜在人流量流向及其不同的交通运输模式，并在真实数据集上进行的实验证明了 MOHER 的优越性。

Jan, 2021

为了部署安全的自主驾驶汽车，需考虑静态几何上下文和动态社交交互，最近的深度学习方法已实现了距离预测指标的最新性能，但存在无法考虑 AV 意图运动计划的局限，因此提出了一种基于人 - 车道几何和人 - 人社交关系的图形加权循环递归方法，以支持注入抵消几何目标和社交情境，在规划循环中运用以推理有关 AV 意图路径的未观察原因或不太可能的未来。

Aug, 2020