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。

本研究提出了一种新型图神经网络模型DeepStateGNN，旨在克服传统GNN在交通数据分析中的局限性。通过将传感器聚类为更高层次的图节点，DeepStateGNN提高了可扩展性和训练速度。实验结果表明，该模型在交通预测和重构的准确性上优于其他方法，具有显著的应用潜力。

本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型（MNNL），旨在从高维不完整张量中提取非负潜在因子，以提高预测准确性和收敛速度。实验结果表明，该模型在交通数据恢复和医疗图像数据集上表现显著，展示了其在智能交通和医疗领域的应用潜力。

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。