提出了使用交通参与者的运动模式作为车道图注释的自动车道图方法，通过预训练的对象跟踪器和 RGB 图像，可以在不需要人类监督的情况下预测车道图，实验证明效果与手动注释的图形数据训练的模型相当。

Jun, 2023

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

TPLLM 是一种基于大型语言模型的交通预测框架，通过构建基于 CNN 的序列嵌入层和基于 GCN 的图嵌入层，提取序列特征和空间特征，并与 LLMs 集成，实现在有限历史交通数据地区的准确预测和良好的泛化能力。

Mar, 2024

我们提出了 TopoMLP，这是一个简单但高性能的驾驶拓扑推理管道，基于令人印象深刻的检测性能，我们为拓扑生成开发了两个基于 MLP 的简单头部。

Oct, 2023

这项研究介绍了一种基于 TP-LLM 的可解释交通预测方法，通过将多模态因素作为语言输入统一起来，避免了复杂的时空数据编程，证明了大语言模型在交通预测方面的潜力。

Apr, 2024

本文提出了一种基于字典学习的交替方向方法，用于综合研究和预测蜂窝网络流量建模和预测框架，并提高了预测准确性和鲁棒性。

Jun, 2016

利用语义场景图、基于图像的地图特征以及锚路径生成，我们提出了一种改进的基于向量的轨迹预测方法，解决了交通参与者之间的复杂交互、地图背景和交通规则之间的挑战性问题，相较于基准模型 HoliGraph，我们的方法显示出明显的优势。

Nov, 2023

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019

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