本文提出了一种新颖的基于CNN和LSTM结合的深度学习体系结构来预测未来的交通流量，通过开放数据集进行实验，结果表明该方法具有显著的优势，并从Granger因果性的角度对其进行了分析探讨。

Dec, 2016

提出了一种基于运动预测领域知识的网络网格表示方法，将网络整体交通速度转换为静态图像，并输入一种新的深度体系结构——时空循环卷积网络(SRCNs)，可以用于交通预测，实验证明其在短期和长期交通预测方面优于其他基于深度学习的算法。

May, 2017

本研究考虑交通流时间序列的时间模式，并实现了一个深度学习模型用于交通流预测。该模型名为DeepTrend，通过分解原始交通流序列并从中提取时间趋势，利用两个叠加层的全连接层和LSTM层，以及预训练和微调，有效地提高了预测性能。

Jul, 2017

提出了一种名为DeepTransport的端到端框架，其中采用卷积神经网络和循环神经网络来获取传输网络拓扑内的时空交通信息，并引入注意力机制以对齐空间和时间信息，并构建并发布实时大规模交通状况数据集，经实验证明，该方法在时空领域捕捉了复杂的关系，相对于传统的统计方法和最先进的深度学习方法，取得了显著的性能提升。

Sep, 2017

本文介绍LSTM模型的结构和前向传播机制，提出了Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了RCLSTM模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

Oct, 2018

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

本研究对基于扩散卷积循环神经网络的高速公路网络预测进行了转移学习，从而可以通过少量数据预测未知区域的交通情况，并在加利福尼亚高速公路网络上进行了测试。

Apr, 2020

研究了深度迁移学习技术在具有不足历史数据的交通预测中的表现，使用源域中的最佳模型进行目标域预测，结果表明，迁移学习可减少执行时间并提高模型的准确性。

May, 2022

本文介绍了ConvTimeNet，这是一个新型的深层分层全卷积网络，旨在作为时间序列分析的通用模型。该网络的关键设计从两个方面入手，旨在克服传统卷积网络的局限性。第一，我们提出了将时间序列自适应分割为子序列级的补丁，并将其作为基本建模单元，避免了与原始点级时间步长相关的稀疏语义。第二，我们设计了一个完全卷积块，巧妙地集成了深度卷积和点卷积操作，采用Transformer编码器中使用的先进建模风格，使得该主干网络能够有效捕捉全局序列和跨变量依赖，因为它不仅融入了Transformer架构的进展，还继承了卷积的固有属性。此外，通过灵活控制核大小，可以学习给定时间序列实例的多尺度表示。我们在时间序列预测和分类任务上进行了广泛的实验。结果在大多数情况下在有效性方面始终优于强基线。代码已公开发布。

Mar, 2024

本研究解决了小型ISP网络中互联网流量预测因数据不足而面临的挑战，提出了利用迁移学习和数据增广技术的创新方法。研究发现，虽然在单步预测中两个LSTM模型表现良好，但在多步预测中的长期准确性则存在瓶颈，通过应用小波变换进行数据增广显著提升了模型在数据匮乏情况下的预测能力。

Sep, 2024