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分解的深度集成学习方法，以解决深度学习在交通流量预测中的过拟合问题。实验结果表明，该方法在预测性能上优于直接使用原始数据，并揭示了其对聚合策略和预测时域的敏感性。

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。

本研究将大型语言模型与交通信号控制系统相结合，提供先进的推理和决策能力，适应复杂的交通流量。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。这一研究为交通信号控制策略带来重大突破，展示了其改变交通管理的潜力。

VideoMamba是一种新型改进的纯Mamba架构，专为视频识别设计。它利用了Mamba的线性复杂度和选择性SSM机制，实现了更高效的处理。VideoMamba能够捕捉非连续空间和连续时间信息之间的复杂关系，展现出竞争力和卓越的效率。这项工作突显了VideoMamba作为视频理解工具的潜力，为未来视频分析研究提供了一个简单而有效的基准。

本研究将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。研究突显了LLMs在交通管理中的潜力。

该文章介绍了一种新的多目标强化学习框架，用于优化无线网络选择和自主驾驶策略。该框架通过控制车辆的运动动态来最大化交通流量，最小化碰撞，并增强通信。文章提出了基于深度 Q 网络和双深度 Q 网络的解决方案，并开发了一种新颖的信封 MORL 解决方案，能够处理具有未知偏好的多目标。数值结果验证了该解决方案的有效性，并展示了车辆运动动态、切换和通信数据速率之间的相关性。该策略使自动驾驶车辆能够采用安全驾驶行为，并具有改善的连接性。

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。

本研究将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。研究突显了LLMs改变交通管理的潜力。

本研究将大型语言模型（LLMs）与交通信号控制系统相结合，提供先进的推理和决策能力，以应对都市交通流量的复杂性和变动性。该方法在多种交通环境下表现出高效性，减少了平均等待时间20.4%。研究突显了LLMs改变交通管理的潜力。

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。