通过将 ChatGPT 和交通基础模型相结合，TrafficGPT 在交通管理领域中不仅推动了交通管理的进步，也为在该领域利用人工智能能力提供了一种新的方法。

Sep, 2023

研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, GCN) 相结合，提出了 ChatTraffic，这是第一个用于文本到交通生成的扩散模型。实验结果表明 ChatTraffic 可以从文本中生成逼真的交通情况。

Mar, 2024

通过智能化系统，结合大规模感知器在物联网中产生的时空数据，我们提出了一种名为 CityGPT 的通用框架，以实现对物联网时间序列数据的学习和分析，从而增加公众对数据的洞察力，并在物联网计算中保证了稳健性能。

May, 2024

通过使用多尺度图小波时域卷积网络 (MSGWTCN) 模型，同时捕捉不同层次的空间信息和提取数据的时间依赖性，可以更好地预测复杂交通网络中的交通状态，并在实验中证明了该模型的卓越表现。

Jun, 2024

通过结合实时交通事故报告和操作指南，本研究介绍了一种名为 IncidentResponseGPT 的创新解决方案，旨在协助交通管理部门快速、明确和适应性地应对交通事故，通过文本分析、交通模拟和透明验证的方法，该系统有望优化交通流量、减少拥堵并最小化其对城市交通系统的总体影响。

Apr, 2024

介绍了一种新颖的框架，即空间 - 时间多粒度框架 (STMGF)，用于提高对交通网络中长距离和长期信息的捕捉，该框架通过以分层交互方式收集信息，利用交通序列中的固有周期性与最近交通数据进行匹配以改善预测结果，并在两个真实数据集上的实验表明 STMGF 胜过所有基准模型，达到最新的性能水平。

Apr, 2024

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

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

交通事故分析是提升公共安全和制定道路规章的关键。本文介绍了 AccidentGPT 的概念，它是一个交通事故分析的基础模型，可以通过多模态输入数据自动重建事故过程视频，并提供多任务分析和多模态输出。AccidentGPT 的设计包括多模态输入、任务导向的自适应性、标记和未标记数据的混合训练模式以及边缘 - 云拆分配置，以实现数据隐私保护。为了充分实现此模型的功能，我们提出了一些研究机会。本文作为填补传统交通事故分析方法的空白和引起研究界对自动、客观和隐私保护的交通事故分析的关注的基石。

Jan, 2024

TrafficGPT 是一个使用生成预训练模型和线性注意力机制解决长流分类和生成任务中的复杂挑战的深度学习模型，在分类任务中表现出卓越性能并达到了最新水平，在生成任务中，它与真实流量非常相似，并以低的 JS 散度和接近 0.5 的 F1 分数（代表随机猜测）区分生成的数据。

Mar, 2024