本研究提出了一种混合深度学习框架，结合长期趋势与短期波动，应用Bahdanau注意力机制，显著提升交通流预测的准确性，助力城市交通规划。

本研究提出FlowDistill框架，旨在解决城市交通流预测中的时空依赖性和数据不足问题。该框架通过知识蒸馏实现轻量化，显著提高了预测的准确性和效率。

本研究提出了一种新框架GraphSparseNet，旨在解决基于图神经网络的交通流预测中的可扩展性问题。该框架通过特征提取器和关系压缩器降低计算复杂性，同时保持高预测准确性，训练时间比传统模型缩短3.51倍。

本研究评估了大型语言模型在智能交通系统中的潜力，重点分析其在交通流预测和车辆检测方面的优势，以及面临的数据可用性和伦理挑战。

本研究提出了MHGNet模型，克服了传统交通流预测方法在处理非欧几里得低维数据时的局限性。通过解耦单模态数据并结合聚类与卷积，MHGNet在基准测试中显著提高了交通预测的准确性。

本研究提出了STAHGNet框架，旨在解决交通流预测中的混合粒度演变问题。通过混合图注意模块和粗粒度时间图生成器，STAHGNet显著提升了预测性能和计算效率，节省了四倍以上的空间资源。

本研究提出了一种时空单元化模型（STUM），旨在解决交通流预测中空间与时间因素相互依赖性不足的问题。通过自适应时空单元化单元（ASTUC），STUM提高了预测的准确性和计算效率，实验结果表明该模型在多个真实数据集上表现优越。

本研究提出WardropNet，一种结合经典层和均衡层的神经网络，旨在提高交通流预测效率。通过监督学习，该方法减少了真实交通流与预测结果的差异。在实际和模拟交通中，WardropNet在时间不变预测上提升72%，在时间变化预测上提升23%。

该研究提出了多种基于深度神经网络的交通流预测模型，如神经延迟微分方程（NDDEs）、流式交通流预测框架TrafficStream和时空图神经控制微分方程（STG-NCDE）。这些模型通过引入动态系统因素和改进算法，在多个真实数据集上展现了优越的预测性能，显示了在交通流预测中的应用潜力。

本文提出了多种基于图神经网络的交通流预测模型，如混合时变图神经网络和多邻接关系注意力图卷积网络。这些模型通过融合时空特征和外部因素，显著提高了预测准确性，尤其在施工区域和蜂窝网络流量预测中表现优异，显示出图神经网络在智能交通系统中的广泛应用潜力。

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。

本文提出了一种名为动态超图结构学习的新模型，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。同时，介绍了互动图卷积块，进一步模拟每个节点的邻域交互。最后，将这两个视角整合到一个综合的多尺度相关性提取模块中，该模块通过不同尺度的时间池化来建模不同的时间模式。实验证明，该模型在四个流行的交通基准数据集上表现优异。

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。