本文提出了一种多时间步检测器（MTD），其利用动态路由进行多分支未来预测，使模型能够抵抗延迟波动，并且构建了一个延迟分析模块（DAM）和一个时间步骤分支模块（TBM），用于优化现有的延迟感知方法和自适应预测特定时间步骤。在 Argoverse-HD 数据集上的实验结果表明，该方法在各种延迟设置下均取得了最先进的性能。

Sep, 2023

基于大数据和数字孪生技术构建的数字孪生移动性建模框架在交通相关应用中展现了良好的性能和有效性。

Feb, 2024

该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

Apr, 2024

本论文提出了一种考虑到异构的移动云计算 / 移动边缘计算环境的数字孪生系统模型以及一个新的基于分布式深度学习的卸载方案，并通过实验结果证明了该算法相对于动态数字孪生系统中的基线具有较好的降低系统平均延迟和能耗的效果。

Jul, 2023

本研究对现有的事故检测技术进行了全面的探索研究，重点介绍了尾部碰撞、侧面碰撞和正面碰撞等不同类型的交通事故，并引入了适用于智慧城市交通监控系统的 I3D-CONVLSTM2D 模型架构，结合 RGB 帧和光流信息进行事故检测。实验分析验证了该方法的有效性，该模型在平均精度（Mean Average Precision，MAP）方面表现优异，达到了 87%。同时，本研究还详细阐述了数据不平衡在有限数据集、道路结构和交通场景方面带来的挑战，最终为基于视觉的事故检测系统在智慧城市基础设施中实时集成到边缘物联网设备提供了路径指引。

Oct, 2023

本文提出了一种数字孪生（DT）辅助的任务卸载框架，用于移动边缘计算卸载策略的优化，基于预测未来计算任务的学习方案，将卸载调度过程建模为马尔可夫决策过程（MDP），以在延迟、能耗和云租用成本之间平衡，以获得最优卸载策略。

Dec, 2021

使用 TraffNet 这一深度学习框架，通过车辆轨迹数据学习交通流量的因果关系，支持基于时机的决策制定并验证其有效性。

Mar, 2023

通过提出一种基于元学习和深度神经网络的框架 MetaTTE，可以进行多城市场景下轨迹基准的旅行时间精细估计。该方法可以解决复杂的时空依赖性挑战，并能够在未来应对交通条件和道路网络变化的一致性性能，实验结果证明其性能优于六种现有基线模型。

Jan, 2022

本文提出了 Fine-grained Deep Traffic Inference (FDTI) 模型，通过构建交通信号为基础的细粒度交通图、物理可解释动态移动卷积模块和交通流守恒，以预测城市细粒度交通流量，并在实验中证明了该模型优于现有方法。

Jun, 2023

该研究提出了一种成本效益高且精确的道路分割解决方案，通过在多任务学习架构中整合来自多个传感器的数据，利用多模态系统比单模态系统能够产生更可靠的结果，使用原始传感器输入而非高预处理成本的架构，同时将 RGB 和 LiDAR 深度图像作为网络的输入，与 IMU/GNSS 惯性导航系统数据进行聚合，实验证明该方法在 KITTI 数据集和 Cityscapes 数据集上都取得了快速且高性能的解决方案，可以与不同的传感器模态一起使用，推理时间非常适合实时实验。

Aug, 2023