深度学习模型在交通预测中应用广泛，但缺乏可解释性。通过不确定性量化方法，研究了多个城市和时间段的交通数据集，发现恢复有意义的不确定性估计，并检测无监督异常点。莫斯科案例研究表明方法能捕捉交通行为的时间和空间效应，推动不确定性意识的发展，突出不确定性量化方法对城市交通动态的价值。

深度学习模型在交通预测中应用广泛，但缺乏可解释性。通过不确定性量化方法，研究了在多个城市和时间段的交通数据集上的应用，发现可以恢复有意义的不确定性估计，并检测无监督异常点。通过莫斯科案例研究，发现方法能够捕捉交通行为的时间和空间效应。推动不确定性意识的发展，突出不确定性量化方法对于理解城市交通动态的价值。

本研究评估了三种不确定性量化方法对DarkNet21Seg 3D语义分割模型的影响。研究发现，深度集成方法在性能和不确定性度量方面优于其他方法，提高了mIOU和准确度，并提供可靠的不确定性来做出决策。

该文介绍了如何使用不确定性量化方法提高深度学习模型在交通预测中的可解释性，并在大规模基于图像的交通数据集上进行了实验。通过比较不同的不确定性方法，发现可以恢复有意义的不确定性估计，并利用其检测城市交通动态变化中的无监督异常点。该研究旨在推动不确定性意识的进一步发展，以更好地理解城市交通动态。

本研究探讨了深度学习模型在交通预测中的应用，通过不确定性量化方法提高其可解释性。研究发现这些方法在大规模基于图像的交通数据集上具有实用性，并能够恢复有意义的不确定性估计。此外，研究还展示了如何利用不确定性估计检测城市交通动态变化中的异常点。通过对莫斯科市的案例研究，发现这种方法能够捕捉到交通行为的时间和空间效应。本研究推动了不确定性意识在交通预测任务中的进一步发展，并突出了不确定性量化方法对于更好理解城市交通动态的价值。