可扩展的段级交通拥堵函数学习
通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。
Mar, 2017
该研究探索了受重尾分析和不平衡分类问题启发的各种损失函数，以解决交通预测中拥堵预测不准确的问题。在实际交通数据集上的大量实验表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳，这些选择能有效地预测交通拥堵事件而不损害正常交通速度预测的准确性。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。通过提高拥堵预测的准确性，我们倡导在实际交通管理场景中使用可靠、安全和有韧性的 AI 系统。
Aug, 2023
本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。
Jun, 2022
该研究使用知识图谱模拟交通拥堵问题，并利用负载平衡、优化算法来识别无拥堵的道路网络，同时训练 RNN-LSTM 深度学习模型进行交通预测，结果表明基于图形的交通模拟，辅以 AI ML 交通预测可更有效地估计道路网络的拥堵程度。
Apr, 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
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
通过商用车辆行程记录数据集，该研究旨在开发预测模型，用于美国主要城市交叉口的交通拥堵，包括正交坐标、街道名称、时间和交通指标等特征，并结合其他特征如降雨 / 降雪百分比、距离市中心和市郊的距离以及道路类型，通过数据探索、特征转换和处理缺失值的方法，提出的模型有助于帮助城市规划者和政府预测交通热点，优化运营，识别基础设施问题。
Apr, 2024
本文提出一种名为 PCNN 的基于深度卷积神经网络的短期交通拥堵预测方法，通过时间序列折叠和多粒度学习手段，将交通数据转化为二维矩阵输入，并在局部和宏观层面对交通拥堵进行建模和预测，实验结果表明 PCNN 对于预测短期交通拥堵具有显著优势。
Mar, 2020