用于长期交通预测的多视角神经微分方程连续时间流数据

提出了一种新的带延迟的连续深度神经网络模型——神经延迟微分方程（NDDEs），在模拟复杂模型和实际图像数据集方面表现优越。

基于图神经网络和持续学习的流式交通流预测框架TrafficStream，通过交通模式融合方法实现高效学习，验证了其在长期流场中的潜力。

引入语义邻接矩阵和时态扩张卷积结构的常微分方程网络模型，解决了传统模型的表达能力不足和建模不准确的问题，取得了更好的预测结果。

时空图神经控制微分方程（STG-NCDE）方法在交通预测中表现良好，优于其他20种基准模型。

研究神经控制微分方程的连续解法，通过插值算法生成连续路径，提升时间序列分类和预测表现。

Spatio-Temporal Graph Neural Rough Differential Equation (STG-NRDE)方法结合NRDE和图卷积网络，预测交通流量并实现最佳准确性。

基于GNN和ODE的交通预测模型（ASTGODE）在真实数据上表现良好，具有可解释性和最高的预测准确度。

新颖的基于图的多-ODE神经网络（GRAM-ODE）架构通过捕捉复杂的动态时空依赖关系，显著优于最先进的基线方法。

连续演化图神经控制微分方程（CEGNCDE）同时捕捉时间和空间依赖关系，实验表明其相较于现有方法有明显的性能提升。

神经时空延迟微分方程模型（STDDE）结合延迟效应和连续性，设计了可学习的交通图时延估计器，实现了交通流的灵活性和适应性预测。