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

本文讨论了移动蜂窝网络中交通数据的变化模式，提出了一个基于时间和空间的综合模型，并验证了在现有移动蜂窝网络中三个不同区域的交通规律。

Mar, 2017

本文介绍了一种使用 LTE/4G 射频性能测量计数器进行交通流量估计的新方法，使用经典和深度学习方法将问题视为监督回归任务。同时，应用传递学习来补偿很多地方缺乏交通传感器数据的情况。该方法不仅在时间上而且在空间上拓展解决方案，并利用具有隐私保护性、易于获取和全球可伸缩性的 LTE 射频计数器数据。

Jan, 2021

本文提出了一种新颖的基于物理信息和深度自编码器的学习校准方法，通过结合经典的深度自编码器和交通流动模型，以相对于传统基于优化方法的方法可比甚至更好的性能处理流量和速度测量来推出合理的交通参数。同时，引入去噪自编码器来应对有缺失值的交通数据的处理，我们通过 I-210 E 的案例研究来验证了我们的方法。

Jul, 2023

交通状态预测对于交通管理和控制策略、用户和系统级决策制定在交通网络中至关重要。本文提出了一种基于多维时空图注意力的交通预测方法（M-STGAT），该方法通过过去的速度观测、车道封闭事件、温度和可见度等交通网络上的观测变量来预测交通状况。数值实验表明，M-STGAT 在采用我们的主要数据集进行 30、45 和 60 分钟的预测时，以三个误差度量指标（平均绝对误差、均方根误差和平均绝对百分比误差）胜过了其他三种不允许多维输入的模型。然而，该模型的可转移性可能因不同的转移数据集而有所差异，这个方面可能需要进一步研究。

Oct, 2023

本文提出了一种实用的 ETA 预测框架 DuETA，通过构建基于相关性的拥堵感知图和路线感知图转换器，可以捕捉空间上相距较远但与交通状况高度相关的路段对之间的交互作用，从而显著提高预测性能并已在百度地图中投入生产。

Aug, 2022

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

该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

Jun, 2022

交通流量预测在长期流式网络中的持续学习方面，我们通过将交通流量分割为多个同质化群体并分配专家模型负责特定群体这一创新的 Traffic Forecasting Mixture of Experts (TFMoE) 方法，强调了其在防止灾难性遗忘方面的有效性和效率。

Jun, 2024

本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。

Jul, 2022