本研究提出了TransitReID框架，旨在提高交通起讫（OD）数据收集的效率和覆盖范围。该框架结合了抗遮挡重识别算法和动态匹配机制，在复杂的公交环境中实现了90%的高准确率。

本研究提出了DeepStateGNN模型，旨在解决传统图神经网络在交通数据分析中的局限性。通过传感器聚类，该模型提高了可扩展性和训练速度。实验结果表明，DeepStateGNN在交通预测和重构准确性方面优于其他方法。

论文研究了用深度神经网络解决多元时间序列插补问题。通过在Transformer模型中加入投影时间注意力、全局自适应图卷积和Fourier插补损失，提升模型的适用性和可解释性。实验在交通和太阳能数据集上进行，结果表明低秩属性有助于模型的广泛应用。

该研究首次将交通和事故数据在大规模区域进行时空对齐，融合了这两个相关领域，利用XTraffic数据集改进了传统交通相关任务。

该研究分析了城市交通通量与污染之间的相关性，并开发了一个警报系统来预测未来30分钟内某条街道是否会遇到异常高的交通流量，使用每10分钟更新的交通数据和LSTM神经网络进行预测。