- 深度网络与树模型的互补融合在 ETA 预测中的应用
本研究论文提出了一种基于树模型和神经网络集成的新型 ETA（预计到达时间）估计方法，并在 SIGSPATIAL 2021 GISCUP 比赛中凭借其准确性和鲁棒性而获得第一名。
- 利用多模态大型语言模型在热像中检测对象：交通应用
研究表明，多模态大型语言模型（Multimodal Large Language Models，MLLMs）与热像数据的集成对提高自动驾驶系统和智能交通系统（ITS）应用的安全性和功能性构成了一个令人兴奋的机遇。该研究探讨了 MLLM 是否 - 利用大型语言模型增强旅行选择建模：一种提示学习方法
通过引入一种基于 Prompt Learning 的大型语言模型 (LLM) 框架，本文改进了个体选择预测的准确性，并提供了明确的解释。在旅行选择分析领域，LLM 显著优于深度学习方法和离散选择模型，同时提供了个体层面的可理解和明确的解释。
- 使用定向窗口学习视觉变换器的目标检测：道路资产识别
利用 OWL-ViT 方法在智能交通系统中实现道路资产检测的研究表明，在各种情况下，OWL-ViT 具有高效率和可靠性，强调其提升智能交通系统安全和效率的潜力。
- 可解释的城市交通拥堵预测中的级联专家混合模型
快速城市化大幅加剧了交通拥堵问题，因此需要先进的拥堵预测服务来增强智能交通系统。本文介绍了一种拥堵预测混合专家模型 (CP-MoE)，通过稀疏门控自适应图学习器 (MAGLs) 和两个专门的专家解决了异构和动态时空依赖性的挑战，从而提供更稳 - FedPylot：面向物联网的实时对象检测的联邦学习导航
本研究探讨了在物联网车辆中采用联邦学习的切实可行性和应用价值，并介绍了一种基于 MPI 的轻量级原型系统 FedPylot，以模拟在高性能计算系统上进行联邦目标检测实验，并针对准确性、通信成本和推理速度进行评估，旨在为自动驾驶车辆面临的挑战 - KDD频率增强的跨城少样本交通预测预训练
我们提出了一种基于频率增强的预训练框架 FEPCross，用于跨城市少样本预测，通过引入时间和频率领域的信息进行自监督训练，以及设计模块来丰富训练样本并维护动量更新的图结构，从而降低过拟合风险和提高预测效果，实验证实了 FEPCross 在 - 点云压缩框架：智能交通系统中路侧激光雷达的点云压缩
面向道路激光雷达的点云压缩方法 PointCompress3D，实现了高效的数据存储、流媒体传输和实时物体检测，优化了压缩性能并保持与原始数据的准确性和兼容性。
- ST-SSMs：交通预测的时空选择性空间模型
准确高效的交通预测对智能交通系统的规划、管理和控制至关重要。本文介绍了一种创新的交通流预测方法，即空间 - 时间选择性状态空间模型（ST-SSMs），采用了创新的 ST-Mamba 块，可以在较少的计算成本下实现良好的预测准确性。通过对多样 - CORP：面向校园路边感知任务的多模态数据集
该论文介绍了第一个面向校园场景的多模态道路感知任务的公共基准数据集 CORP，该数据集拥有多维信息的标注，旨在提供校园和其他居民区域内的多模态感知挑战。
- 面向车载多任务人脸属性识别的研究：探究合成数据和视觉基础模型
通过研究合成数据集在训练复杂的多任务模型中的实用性，特别是在数据可用性有限的情况下，以及视觉基础模型的比较功效，本研究揭示了关于合成数据和视觉基础模型在实际应用中的挑战和机遇。
- BjTT: 用于交通预测的大规模多模态数据集
研究探索了如何将生成模型与描述交通系统的文本结合起来应用于交通生成，并命名为 Text-to-Traffic Generation (TTG) 任务。通过将扩散模型与图卷积网络 (Graph Convolutional Network, G - 基于预训练大型语言模型的交通预测框架：TPLLM
TPLLM 是一种基于大型语言模型的交通预测框架，通过构建基于 CNN 的序列嵌入层和基于 GCN 的图嵌入层，提取序列特征和空间特征，并与 LLMs 集成，实现在有限历史交通数据地区的准确预测和良好的泛化能力。
- 基于生成对抗网络和 Transformer 模型的交通事件检测混合模型
提出了一种结合变压器和生成对抗网络的混合模型，用于解决交通事故检测中的数据集获取和数据集不平衡等挑战。通过在四个真实数据集上进行实验，验证了变压器在交通事故检测中的优越性。此外，利用生成对抗网络扩展数据集，实现 1:4、2:3 和 1:1 - 网络套索下的分散式交通事故检测
深度神经网络和联邦学习等技术已经成为现代交通事件检测的主流方法，本文旨在探索在分布式数据情景下强大的传统机器学习方法在交通事件检测中的潜力。通过将强大的凸优化机器学习模型与网络 Lasso 等分布式优化框架相结合，与集中式学习、本地学习和联 - 基于地形 GPS 记录的聚类动态优化速度预测
使用稀疏 GPS 数据点及其相关的地形和道路设计特征，我们在缺乏交通数据的区域提出了一个解决方案来预测速度。通过创建一个基于地形聚类道路的以时间为导向的速度字典，我们展示了对新的和标准回归方法的定性和定量改进。这个框架为缺失数据交通分析提供 - TransGPT：用于交通领域的多模态生成预训练 Transformer
TransGPT 是一个多模态的大型语言模型，基于不同领域的交通数据，通过提供交通分析、模拟交通现象、回答交通问题、提供交通建议和生成交通报告等功能，推动了交通学领域中自然语言处理技术的发展，为智能交通系统的研究人员和实践者提供了有用工具。
- GPT-4V 作为交通助手：对复杂交通事件的视觉语言模型的深入研究
通过使用 GPT-4V 对代表性交通事件视频进行实验，我们发现 GPT-4V 在某些经典交通事件中展现出了出色的认知、推理和决策能力，同时也发现了它在更复杂场景中的理解存在一定限制，这些限制值得进一步探索和解决。
- 跨城市少样本交通预测的多尺度交通模式库
交通预测对智能交通系统至关重要，而许多城市由于设备支持有限而缺乏足够的数据，这给交通预测带来了重大挑战。我们提出了一个解决跨城少样本交通预测问题的解决方案，名为多尺度交通模式库 (MTPB)。通过利用数据丰富的源城市，MTPB 通过空时感知 - 基于 Swin Transformer 的新型车标识别方法
我们使用 Swin Transformer 实现实时车标识别，通过在三个公共车标数据集上进行广泛实验，取得了 99.28%、100% 和 99.17% 的令人印象深刻的顶级准确性结果，证明了我们方法在现有方法上的优越性。未来的研究可以探索和