本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

本文提出了一种基于机器学习的方法，以解决设计师在优化城市土地利用规划方面缺乏优化交通出行需求能力的问题。研究表明，我们的计算模型可以帮助设计师快速获得有关交通出行需求的反馈，包括总量和时间分布，这是基于设计师设计的城市功能分布。它还有助于从交通出行的角度进行设计优化和评估城市功能分布。我们通过收集城市兴趣点（POI）数据和在线车辆数据获取城市功能分布信息和车辆行驶时间（VHT）信息。选择了预测性能最好的人工神经网络（ANNs）。通过使用不同地区收集的数据集进行相互预测，并将预测结果重新映射到地图上进行可视化，我们评估了计算模型在不同地区的使用程度，以减轻未来城市研究人员的工作负担。最后，我们展示了计算模型在帮助设计师获取建筑环境中交通出行需求的反馈方面的应用，并与遗传算法相结合来优化当前城市环境的状态，为设计师提供建议。

Nov, 2023

本文提出了一个基于深度学习的多任务深度神经网络模型 Deep Image to Time (DepthI2T)，利用城市景观照片中的建筑环境信息，实现了旅行时间的准确预测，成为旅行时间估计领域最新的 state-of-the-art 算法之一，该算法适用于多种路径情况，具有重要的智慧城市应用价值。

Jul, 2019

本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

Oct, 2019

本文提出了一种混合多模态深度学习方法用于短期交通流量预测，可以通过注意力辅助的多模态深度学习架构联合自适应地学习多模态交通数据的空间 - 时间相关特征和长期时间依赖关系，通过多个 CNN-GRU-attention 模块将不同模态交通数据的共享表示特征融合。实验结果表明，该模型能够有效地处理复杂的非线性城市交通流预测问题。

Mar, 2018

该研究提出了一种新的虚拟图建模方法和深度多视角时空虚拟图神经网络框架，以增强城市范围打车需求预测的空间动态学习能力和时间依赖性，实验证明该框架在细粒度预测场景中具有效力和优越性。

Jul, 2020

本文提出了一种基于数据驱动和改进传输模式的关系模型的流模型，名为 MOHER，用于预测新计划站点的潜在人流量流向及其不同的交通运输模式，并在真实数据集上进行的实验证明了 MOHER 的优越性。

Jan, 2021

该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

Feb, 2018

本研究介绍了一种名为 STEF-DHNet 的需求预测模型，该模型结合了卷积神经网络和长短期记忆来集成外部要素作为空间和时间信息，并捕捉它们对叫车需求的影响，结果表明该模型在三个不同的数据集上优于现有的最先进方法，具有在实际应用场景中实用的潜力。

Jun, 2023

本文提出了一种基于多模式历史数据的领域对抗多关系图神经网络（DA-MRGNN）来预测共享单车的需求和补给平衡，实验结果证明其相对于现有方法具有卓越的性能和不同模型组件的有效性，并且通过可解释性技术来解释预测结果。

Nov, 2022