本文解决了交通流量预测中忽视流量生成过程的问题，提出了一种有效的多分支相似性变换器EMBSFormer。通过数据分析，该模型捕获了节点级流量生成和图级流量转移的多周期性，实验证明EMBSFormer在长短期预测任务上均优于基线模型，并且参数使用效率高。

本研究针对城市交通管理中转向交通流量计数（TMCs）获取的成本高和技术挑战的问题，提出了一种利用迁移学习的新框架。通过结合交通控制事件数据、道路基础设施数据及兴趣点数据，该框架在亚利桑那州图森市的30个交叉口进行了评估，结果显示其在平均绝对误差和均方根误差方面表现优于现有的八种回归模型，具有显著的实际应用潜力。

本研究提出了一种基于提示调优的连续预测方法，解决时空图预测模型在数据流环境中的重训练效率低和遗忘问题。通过优化存储提示的使用，提高了模型在交通流量、空气质量等场景中的预测效果和效率。

本文研究了多种自适应交通信号控制方法，提出了基于强化学习的模型DynamicLight和CityLight，旨在提高交通流量和效率。实验表明，这些方法在减少交通拥堵和优化信号控制方面表现优异，尤其在复杂交通环境中展现了良好的适应性和性能提升。

本文提出了一种新方法，利用时空深度学习和图卷积网络预测高速公路交通流量。该方法有效解决了数据不平衡问题，结合气象和日历特征，显著提高了预测准确性，并在商业应用中取得了实际效益。

本研究开发了一种基于深度学习的实时交通监控平台，能够检测车辆和行人，分析交通流量并预测交通情况。通过多摄像头系统和创新模型，显著提高了交通数据分析的效率和准确性，增强了交通管理能力。

本文介绍了一种创新的交通流预测方法——空间-时间选择性状态空间模型（ST-SSMs），通过ST-Mamba块实现高效预测。该模型在多个真实数据集上表现出色，提升了预测准确性和计算效率。此外，研究还提出了基于Mamba架构的多种模型，如STG-Mamba和CDMamba，均在不同任务中展现了优越性能。

本研究探讨了深度强化学习在交通管理中的应用，包括车辆轨迹模拟、拥堵控制和信号灯管理。通过新算法和模型的开发，显著提升了交通流量和效率，减少了拥堵现象。

提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

本文介绍了多种基于图神经网络的模型，如TDE-GNN、STG-NCDE和CEGNCDE，旨在提高时间序列数据的预测精度，特别是在交通流量和降水预报方面。这些模型在捕捉时空依赖性方面表现出色，实验结果显示其在多个基准测试中优于传统模型。

该研究使用宏观模型和多源时空数据准确估计了无法测量的路段的交通流量和行程时间。实验结果显示，该模型在交通行程时间估计方面表现优于基准模型。

利用 Federated Learning and Asynchronous Graph Convolutional Network (FLAGCN) 模型的异步图卷积和联邦学习原则，通过空间 - 时间图卷积技术有效地异步处理了交通数据的时空依赖关系，提高了实时交通流预测的准确性和效率。FLAGCN 在两个不同的交通数据集上测试的实验结果表明，相比于现有最佳模型，FLAGCN...

该文介绍了一种新的空间-时间变换网络，利用图神经网络和自注意机制动态建模交通数据中的有向空间相关性，并利用长程双向时间依赖性来改善长期交通预测的准确性。实验结果表明，该模型在预测交通流量方面的性能要好于现有工作。

本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型，用于解决交通流预测问题。该模型通过提取超图结构信息来学习非成对关系，并通过聚合来自关联超边的消息来更新每个节点的表示。实验证明，DyHSL 模型在四个流行的交通基准数据集上表现优异。