传统交通预测基于传感器数据的范围有限，综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案，使用网络活动计数，但缺乏关键的方向性。因此，我们提出了 TeltoMob 数据集，其中包含无向电信计数和相应的方向流，以预测道路上的方向性移动流。为了解决这个问题，我们提出了一个两阶段的时空图神经网络（STGNN）框架。第一阶段使用预训练的 STGNN 处理电信数据，而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性，并证实了其有效性。我们还展示了如何将该框架融入现实交通系统，以增强可持续城市移动性。

May, 2024

通过利用广泛的蜂窝交通覆盖捕捉移动模式，我们提出了地理蜂窝交通（GCT）流量作为解决基于位置检测器的交通预测局限性的新数据源。针对车辆相关的 GCT 流量预测，我们提出了一个图神经网络，它整合了多变量、时间和空间因素，提高了准确性。实验结果显示我们的模型在长期预测方面优于基准模型，同时我们也强调了将 GCT 流量整合入交通系统的潜力。

Jan, 2024

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

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

从电信角度看，用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察，并建议最优分配策略。最近，使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而，现有的研究借鉴了道路流量预测的方法，忽视了基站的动态部署和移除，要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型，可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习，使其适用于不同领域。实验结果表明，在稀缺数据的情况下，与最先进技术相比，性能提升高达 9.8％，特别是当训练数据减少到 20％以下的情况。

May, 2024

本论文提出了一种基于多模态数据融合的车辆跟踪框架，该框架利用图像处理和速度估计的方法对城市区域中的车辆进行跟踪，并通过 Kalman 滤波等方法实现车辆定位和轨迹跟踪的任务。实验结果表明了该方法的高效性。

Oct, 2018

本文提出了一种基于交通流的路径生成框架 FlowMap，该框架可以为自动驾驶车辆生成人类模拟路径，并且可以在不使用高精度地图的情况下应对超级复杂的十字路口。

May, 2023

本研究提供了一个基于深度学习的实时交通监控平台，通过单个交通摄像头实现了车辆 / 行人检测、速度检测、轨迹估计、拥堵检测、以及车辆和行人交互的监测，同时使用短期和长期的时间视频数据流开发了分层交通模型解决方案，实现了对实际交通情况的监测。

Sep, 2021

本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

Feb, 2023

本文提出了一种新的城市交通量推断框架，使用探测器和摄像头捕获到的密集 GPS 轨迹以及不完整轨迹，结合高保真交通模拟器和深度强化学习方法从不完整轨迹中恢复完整车辆行驶轨迹，并通过构建时空图和多视图图嵌入模型，推断未监测到的道路交通量。实验结果表明，该方法在中国省会城市的两个大区域中表现出了较高的准确性。

Feb, 2019