本研究采用包含 35 亿辆车辆出入收费系统记录的大规模数据集，通过交通网络分析来建立中距离陆路交通模式与区域经济地位的相关性，利用标准复杂网络的测量方法，分析公路交通网络的一组交通流特征并将其与城市 GDP 指标相关联，建立了多元线性回归模型，从而解释了中国三个省市城市 GDP 变化的 89％至 96％，我们采用双城市年度交通量拟合重力模型，发现距离衰减效应的时变特征与不同省份的经济发展模式相关联，结论是交通大数据揭示了区域经济发展的现状，同时也包含了区域管理和规划所需的人员流动、生产联系和物流等有价值的信息。

Feb, 2020

从数字货运活动数据中推断调度和路径模式的建模方法，应用于荷兰的巡回数据以了解发车时间模式和巡回策略，并评估所提出算法的有效性。研究发现空间和时间特征对捕捉巡回类型和货运活动的时间模式很重要，同时实证证据表明运输市场的多数承运商对拥堵程度敏感，在面对拥堵区时调整巡回类型、发车时间和巡回次数。该研究结果可以被从业人员用于更好地理解交通市场并制定货运和交通管理措施。

Nov, 2023

使用 2017 年商品流动调查的公共数据集，构建了一个高性能货物运输方式选择模型，提出了三个主要改进：针对每个独立的商品 / 行业类别构建本地模型，提取有用的地理特征，尤其是起始 / 目的地区域之间每种货运方式的派生距离，并应用附加的集成学习方法来结合本地和统一模型的结果，以提高性能。该方法在不引入外部信息的情况下实现了 92% 以上的准确度，相比在 10000 个样本上直接拟合随机森林模型，提高了 19% 以上。此外，使用 SHAP 值解释了所提模型的输出和主要模式。该模型框架可以增强现有货物运输方式选择模型的性能和可解释性。

Feb, 2024

本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。

Jan, 2023

利用人工智能的强大模式识别能力，通过整合代表交通需求和路网数据的开放数据源构建了一种用于公路碳排放估计的层次异构图学习方法 (HENCE)，在两个大规模真实世界数据集上的广泛实验验证了该方法的有效性和优越性，验证了其在推动人工智能应用于碳排放管理和可持续发展方面的成功。

Feb, 2024

该研究通过分析 2016 年芝加哥的出租车数据，以理解街区之间的相互联系，提出新的公共交通开发建议，并生成交通流的可视化图表，以加强城市的设计和规划。

Jun, 2023

现代交通规划依赖于准确的人员和车辆出行预测，本研究探讨了深度学习技术在改进出行预测和交通规划方面的潜力，利用全国家庭交通调查数据集，开发并训练了一个深度学习模型，取得了 98% 的人员出行预测准确率和 96% 的车辆出行估计准确率，从而显示了深度学习在这个领域的优势。

Aug, 2023

该研究利用非负张量因式分解和 HypTrails 贝叶斯方法将 Foursquare 和人口普查数据应用于曼哈顿出租车数据，以探索和解释人类流动的不同模式，证明人类流动不是一维的，而是包含时间和空间上的不同方面。

Jan, 2016

本文提出了一种使用深度学习和机器视觉技术从 Google Street View 车辆在美国 200 个城市的街道场景中获取汽车数量信息，进而估计美国社会经济趋势和社会人口统计的方法，结果表明自动化系统可以有效补充劳动密集型方法，并具有实时感。

Feb, 2017

通过分析美国纸币的流通，我们发现人类旅行遵从 Levy 飞行的规律，可以通过一个双参数连续时间随机漫步模型进行数学描述，并证明人类在地理尺度上的旅行是一个具有二重性的超扩散过程。

May, 2006