- XXLTraffic: 扩展且极长的交通数据集用于超动态预测挑战
通过提供最长时间跨度和逐年增加的传感器节点数的数据，我们的新数据集 XXLTraffic 为时间序列和交通预测社区提供了一个新的视角，为解决超动态和极长预测问题设计模型提供了一个强大的平台。
- IJCAISpoT-Mamba：在时空图上学习长距离依赖关系与选择状态空间
SpoT-Mamba 是一个新的 STG 预测框架，利用 Mamba 的长程依赖性来生成节点嵌入，通过节点嵌入进行时间扫描以捕捉长期的时空依赖性，并在实际交通预测数据集上展示了其有效性。
- 混合专家模型的持续交通预测
交通流量预测在长期流式网络中的持续学习方面，我们通过将交通流量分割为多个同质化群体并分配专家模型负责特定群体这一创新的 Traffic Forecasting Mixture of Experts (TFMoE) 方法，强调了其在防止灾难性 - 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 - 基于深度学习的交通预测的对立解释
通过反事实解释方法增强可解释性和可用性，揭示深度学习模型学习的交通模式，提高交通预测模型的透明性和可理解性。
- DST-GTN：动态时空图转换网络用于交通预测
通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。
- 基于液体神经网络的自适应学习与增量学习在由于网络故障引起的概念漂移中的链路负载预测比较
通过使用自适应学习算法（即液态神经网络），本研究针对交通预测问题解决了概念漂移问题，并且在实验结果中证明，在交通模式发生剧变时，我们提出的方法优于基于增量学习的方法。
- CCDSReFormer: 基于交叉双流增强校正变压器模型的交通流预测
精确、高效的交通预测对于智能交通系统至关重要，在城市交通规划和管理中具有重要意义。我们介绍了 Criss-Crossed Dual-Stream Enhanced Rectified Transformer 模型（CCDSReFormer） - LSTTN: 基于长短期转换器的时空神经网络在线交通流预测
基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测，能够有效地学习和提取交通流的复杂趋势和周期特征，实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。
- ICLRTESTAM：一种具有时间增强的时空关注模型与专家混合
通过引入不同的专家和适当的路由，我们提出了一种名为 TESTAM 的新型深度学习模型，该模型通过三个专家对时间建模、时空建模和动态图中的动态时空依赖建模来分别建模循环和非循环的交通模式，并且在三个公共交通网络数据集上的实验结果表明 TEST - COOL：基于时空图神经网络的交通预测的共有观点
本文介绍了交通预测的问题，并针对现有方法在建模时间和空间关系上的局限性以及对过渡模式的多样性的挑战，提出了一种名为 COOL 的综合时空图神经网络，通过构建异质图来捕捉高阶时空关系，并使用亲和力图和惩罚图来引导后续信息传递，进而增强交通预测 - 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 - 持续演化的图神经控制微分方程用于交通预测
提出了连续演化图神经控制微分方程（CEGNCDE）来同时捕捉连续的时间依赖关系和随时间演变的空间依赖关系，通过基于 NCDE 的连续演化图生成器（CEGG）来生成连续演化的离散历史观测下的空间依赖图，然后引入了图神经控制微分方程（GNCDE - SpecSTG: 一种快速的谱扩散框架用于概率时空交通预测
通过提出一种新的谱扩散框架，将空间依赖性和交通数据中的系统模式充分利用，我们的模型在交通流量和交通速度数据上表现出色，超越了最先进的基准模型。
- 基于小波灵感的多尺度图卷积循环网络用于交通预测
提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型，能够准确捕捉交通数据的空间相关性和多尺度结构，并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。
- 智能交通系统中的图神经网络综述
本文旨在回顾了 GNN 在六个代表性和新兴的智能交通系统领域（交通预测、自动驾驶汽车、交通信号控制、交通安全、需求预测和停车管理）的应用，总结了这些研究的方法、特点和贡献，并在信息丰富的表格或列表中呈现。最后，我们指出了将 GNN 应用于 - WSDMMultiSPANS：一个用于交通预测的多范围时空 Transformer 网络通过结构熵优化
我们提出的 MultiSPANS 框架通过使用多过滤卷积模块生成信息丰富的 ST-token 嵌入来捕捉复杂的多尺度依赖关系，借助 Transformers 来捕捉长时空距离依赖，并引入结构熵理论优化空间注意机制，进一步提出了相对结构熵位置 - 智能交通系统中应用门控图神经网络提高交通密度预测
该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggrega - 时空超图神经网络用于交通预测
STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dep - 传感器建模再思考：层次信息增强的交通预测
基于城市化进程，交通预测在智慧城市建设中起到至关重要的作用。本文提出了一种基于传感器依赖建模的层次化信息增强时空预测方法 (HIEST)，通过建立区域依赖和共享时空模式来实现交通预测，并通过扩展实验证明了方法的领先性能。