利用出租车轨迹数据，提出一种简单的行程预估基准方法，可以用于导航和行程规划等多个领域，其效果优于现有的大规模实验平台（如Bing Maps和百度地图）的状态-of-the-art方法。

Dec, 2015

本篇研究探讨了一种名为 Travel Time Difference Model 的新方法，结合了 Markov 模型和最短路径算法，根据过去的轨迹信息和实际行驶时间，大幅提升了下一个位置的预测准确性。

Mar, 2020

提出了一个不确定性学习机制来同时估计内部数据质量和量化外部不确定性，以提供空间时间预测的高质量不确定性量化，并通过设计一个基于门控的桥梁来重新校准和提高预测性能，从而解决不确定性标签的缺乏这一问题。

Feb, 2021

该论文针对IoT技术下数据采样不足的情况，提出了一种基于EM算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

Jun, 2022

本文提出一种基于道路网络的 OD 行程旅行时间估计方法，结合迁移概率、路段和交叉口的旅行时间和路线恢复等技术，提出了多任务弱监督学习框架，该框架同时针对路段和交叉口优化期望对数似然函数，从而解决了GPS轨迹缺失的问题，实验验证了该方法对旅行时间估计和路线恢复的有效性。

Jan, 2023

该研究提出了一种新的基于扩散模型的参数化框架，用于学习复杂的时空联合分布，它打破了现有解决方案对时空依赖关系的限制，并实现了灵活准确的预测。

May, 2023

基于扩散的出发地-目的地旅行时间估计（DOT）框架通过像素轨迹去噪器和遮蔽视觉变换器来提高准确性、可扩展性和解释性。

Jul, 2023

该研究论文提出了一种基于因果关系的理论解决方案，名为“Disentangled Contextual Adjustment (DCA)”，以及一种名为“Spatio-Temporal sElf-superVised dEconfounding (STEVE)”的框架，用于处理ST交通预测中的分布变化问题，以提高预测性能。实验结果表明，STEVE在各种不同的ST分布变化场景下始终优于现有技术基线。

Nov, 2023

本文提出了一种使用高斯层次模型建模行程级别链接行程时间的方法，该模型能够表征行程间和行程内的相关性，并在GPS轨迹数据集上展示了其卓越性能。

Jul, 2024

本研究针对旅行时间估计中的不确定性量化问题，提出了DutyTTE方法来改善预测路径与真实情况的对齐，增进旅行时间信息的准确性。同时，采用专家混合指导的不确定性量化机制，捕捉不同条件下每个区间的旅行时间不确定性。实验证明该方法在实际数据集上具有优越性。

Aug, 2024