TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

Mar, 2023

利用 AI 代理、多尺度交通数据、语义信息以及可视化，设计了 TrafficGPT 系统，实现多尺度交通预测和交互性能，通过实验验证其在真实道路数据集上的卓越表现。

May, 2024

本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

Mar, 2018

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

提出了一种基于 LSTM 的实时交通预测算法 TrafficPredict，通过学习不同交通主体的移动模式和交互方式来提高交通路径预测的准确性，应用于自动驾驶交通领域，较之先前的算法具有更高的准确性。

Nov, 2018

本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

Apr, 2021

本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

Aug, 2019

本研究提出一种功能数据方法，以分析交通流模式并预测未来的交通流，并提出一种概率混合预测方法来结合功能预测和概率分类，以考虑不同的交通流模式。

Jan, 2013

交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。

Aug, 2023

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