通过基于 Faster R-CNN 的深度学习方法，研究了车辆的分割问题，在自适应背景模型的最小化、基于 Faster R-CNN 的子网络操作、Faster R-CNN 初始细化以及扩展拓扑活跃网的结果优化等四个步骤中得到了解决，并通过拓扑活跃网变形模型实现了更高的分割准确性。实验结果证明了这一计算框架的优越性。

Nov, 2023

本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

Apr, 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

用遥感图像直接建模时空交通模式的多模态、多任务变压器分割架构，包含地理时空位置编码模块和自然建模时间变化的概率目标函数，在 Dynamic Traffic Speeds (DTS) 数据集上显著提升交通模型的性能，并引入 DTS++ 数据集支持与移动相关的位置适应实验。

Mar, 2024

提出了一种基于图卷积深度学习算法的改进交通预测方法，利用国家家庭旅行调查的人类活动频率数据增强了活动与交通模式之间的因果关系推断能力，从而实现了最先进的性能表现，而无需引入过多的计算开销。

Aug, 2023

使用图像处理和机器学习方法，基于边缘检测的实时交通强度估计系统在树莓派单板计算机上实现，为大规模部署提供了经济有效的解决方案。

Oct, 2023

提出了一种名为 DeepTransport 的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

本研究旨在结合 U-Net 架构与图层操作，以提高交通数据预测的精确度和空间泛化能力。模型表现证明了该方法比基础 U-Net 更适用于预测不同道路网络的交通状况。

Feb, 2022

本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器 - 解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在 12％-15％之间。

Jul, 2017

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023