基于时空隐式神经表示的通用交通数据学习器，通过将交通数据参数化为隐式神经表示的形式，利用坐标为基准的神经网络对高频结构进行编码，将可变性分解为各个独立的过程，使用谱嵌入技术实现在传感器图中的建模，以连续表示的方式，统一输入来建模多样的交通数据，学习其底层交通动态，具有学习不同支配数据模式的能力，验证了其在实际场景中的有效性，展示了从走廊到网络规模的应用，为各种实际任务中时空交通数据的通用表示奠定了基础。

Jun, 2024

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

Apr, 2023

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

智能交通系统中，精确的交通预测是一项重要挑战。本研究提出了一种名为时空自适应嵌入的新型组件，可以通过使用传统的 Transformer 模型取得出色的结果，该模型在五个实际交通预测数据集上实现了最先进的性能，进一步实验证明时空自适应嵌入在交通预测中起着关键作用。

Aug, 2023

本论文提出了一个创新的流形正则化 Tucker 分解（ManiRTD）模型，通过引入多元时延嵌入变换，将感官交通状态数据表示为三阶 / 四阶张量，并利用稀疏正则化项改善 Tucker 核的稀疏性以及使用流形正则化和时间约束条件特征化其时空关联，最终在交替近端梯度更新规则下通过块坐标下降框架解决 ManiRTD 模型，并在实际交通数据集上进行数字实验，结果表明所提出的模型在各种缺失情况下优于其他分解方法，并更精确地重建了 STD。

May, 2023

本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明，该方法在四个基准数据集上表现良好而且可适用于其他时空应用。

Dec, 2022

本文介绍了一种基于 STMap 的交通轨迹重建方法，采用了 Spatial-Temporal Deep Embedding（STDE）模型，在像素和实例级别上形成奇偶校验约束，以生成用于 STMap 上车辆条带分割的实例感知嵌入，采用 mutex-watershed 算法最终获得聚类结果。

Sep, 2022

介绍了一种名为空间 - 时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

Jun, 2023

通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。

Apr, 2024