本文提出了一种利用图神经网络和卡尔曼滤波器这种异质性预测框架来识别空间和时间模式的 Origin-Destination 需求矩阵预测框架，该框架能够从通行信息中预测时空 O-D 流，并利用新泽西州收费站的数据验证了该模型，结果表明我们的方法在各种预测方案下都能够取得最佳性能，同时也展示了深度学习和卡尔曼滤波相结合的优势。

May, 2019

通过深度学习和数值优化算法相结合的方法，本研究利用神经网络从探测交通流中推断出基于结构的约束，消除了对先前信息的依赖，提供了实时性能，并且在工程上具有经济性。通过测试，在大规模的合成数据集上展示了我们方法的良好泛化能力，并在真实交通数据上验证了我们方法的稳定性，实验证实了结合神经网络和数值优化的优势。

Oct, 2023

本文提出了一种利用深度学习方法推断 OD 序列结构的方法，并使用结构约束引导传统数值优化，以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明，提供的结构信息不仅包含对 OD 矩阵的空间结构的约束，而且还提供了对 OD 序列的时间结构的约束，能够较好地解决滞后问题。

Jul, 2023

介绍了 OpenCarbonEval 框架，该框架能够评估和预测大规模模型的碳排放，并提供准确的碳排放预测，以帮助减少这些模型对环境造成的压力，并推动可持续的 AI 发展和部署。

May, 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

本文提出了一种基于 CRESIv2 方法的城市级别道路提取和路线计算方法，该方法包含语义特征识别以及道路速度限制和行车时间的计算，旨在优化路线计算而非简单的最短路径距离。实验证明，该方法在使用 SpaceNet 数据集的训练和测试数据时优于使用 OpenStreetMap 标签的方法 60% 以上，并通过度量平均路径长度相似度（APLS）和地图拓扑（TOPO）等指标对算法的性能进行了评估。

Aug, 2019

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

本文介绍了一种基于网络视角的图去噪扩散方法，用于生成城市范围内的 OD 矩阵，并通过区域级别的城市特征来学习所有元素的条件联合概率分布，该方法解决了城市范围内 OD 矩阵数据学习困难的问题，并在本文中针对两个大型美国城市的数据进行了实证实验。

Jun, 2023

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

本文提出了一种名为 “ODGN” 的新型数学建模方法，它采用物理学与机器学习的结合，包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术，用于更好地建模人口流动分布，并通过真实数据的实验验证了其与基准算法相比的优越性。

Jun, 2023