使用基于 LSTM 的神经网络模型，该研究探讨了在不同预测和时间序列研究中应用神经网络的可行性，并展示了对菲律宾两个港口的渡轮客流量进行预测的 72% 至 74% 的准确度。

May, 2024

本研究旨在开发一种精确的模型，通过捕捉旅行数据中的序列模式和依赖关系，实现对个体旅行者未来目的地的准确预测，为现代交通运输行业带来多重益处，并在不同数据规模和性能指标下取得了令人满意的性能和高分数的实验结果。该研究对推进目的地预测方法、为公司提供个性化推荐和优化客户体验在动态旅行领域起到了积极作用。

Jan, 2024

本文提出了一种基于 LSTM 神经网络对高速公路行驶中的车辆进行准确的纵向和横向轨迹预测方法，同时使用 NGSIM US-101 数据集中来自超过 6000 名司机的 800 小时记录轨迹进行训练和验证。

Jan, 2018

本文提出了四种基于机器学习的时间和距离预测模型，其中最佳模型采用两个并行的基于注意力机制的 LSTM 网络，预测下一次行程的距离和时间的误差为 3.99％，比 LSTM 模型还要好 23.89％。我们同时提出了 TimeSHAP 方法用于解释模型的学习过程。

Mar, 2023

通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。

Jun, 2017

通过设计 LSTM-based 架构和输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等所有相关数据作为特征，本研究提出了一种巴士乘客高度准确的预测模型，以提高服务质量。结果表明，该模型平均和最高准确率分别提高了 23% 和 27%。

Apr, 2023

本文提出了一种基于循环神经网络的数据驱动模型，用于实时预测公共交通系统的公交车到达时间，该模型智能地以一种独特的 (非线性) 方式结合了空间和时间相关性，在正确建模拥堵影响方面具有优越性。

Oct, 2022

本文提出了一种增强的 CNN-LSTM 网络作为战斗机飞行轨迹预测方法，该方法从空间和时间两个维度提取特征，通过模拟实验证明相比于原始的 CNN-LSTM 方法，预测精度提高了 32% 和 34%。

Apr, 2024

提出了一种结合粒子滤波采样策略和 LSTM-MDL 模型的多模式路径预测方法，可用于安全应用中的风险评估，通过在多种现实场景中进行的实验表明最简单的方法表现最佳。

Apr, 2018

我们提出了一种人类轨迹预测模型，该模型将长短期记忆（LSTM）网络与注意力机制相结合。通过使用注意力分数确定模型在进行预测时应专注于输入数据的哪些部分，我们可以提取出注意力分数并将其整合到轨迹预测模块中，以预测人类未来轨迹。我们的模型在拥挤空间中的行人未来轨迹预测中表现出比社交 LSTM 算法更好的性能。

Sep, 2023