高德地图推出AI版本“小高老师”，根据用户需求提供个性化出行建议，简化多APP操作，提升出行体验。增强的AI导航功能实时预测交通状况，优化行程规划，实现个性化服务。

本研究提出了一种新方法，将混合图优化算法转化为轻量级可解释的变换器神经网络，以应对交通预测中的空间和时间挑战。该网络在预测准确性上与现有方案相当，但参数数量显著减少，具有较高的实用价值。

本研究比较了深度学习与集成学习在交通预测中的应用，解决了短期预测模型的长期预测挑战。结果表明，时间嵌入显著提升了RNN的性能，而XGBoost在仅利用时间特征时也表现出色，为未来的长期交通预测研究提供了重要见解。

本研究探讨了量子机器学习在交通预测中的应用，特别是数据重新上传技术。通过分析雅典的高分辨率数据，结果表明混合量子-经典神经网络在预测准确性上与传统深度学习方法相当，为未来交通预测模型的发展提供了重要启示。

本研究提出了一种联邦架构，旨在解决传统交通预测模型在处理多样化外部特征和时空不确定性方面的复杂性，从而提高模型的适应性和效率。实验结果表明，在线搜索日志数据在长期交通预测中表现良好，具有重要的应用潜力。

本研究提出了一种全球时空融合的交通预测算法，有效解决了传感器长时间交互和异常因素的影响，实验结果在公共交通数据集上表现优异。

本研究提出了FedTPS联邦学习框架，通过合成数据增强本地数据集，以解决深度学习交通预测模型对大量数据的需求。实验结果表明，FedTPS在全球模型性能上优于多种基线，展示了其在交通流预测中的潜力。

本文探讨了结合社交媒体数据与自然语言处理的交通预测框架。研究表明，该框架能够有效分类用户反馈，提升交通系统管理和服务效率，尤其在情感分析和用户体验方面表现突出。通过大型语言模型，研究解决了传统方法的不足，推动了交通数据分析的进展。

本研究提出了一种图感知的大语言模型（Strada-LLM），旨在解决交通预测中的数据分布多样性问题。该模型通过利用邻近节点的交通信息，提高了预测精度，并在少量标记数据下表现出色，具有重要的实际应用潜力。

本文介绍了混合时空图卷积网络（H-STGCN）和异质时空图序列网络（HSTGSN）等多种交通预测方法，这些方法通过实时数据和深度学习技术显著提高了交通流量和行程时间的预测准确性，适用于复杂交通环境，具有重要的城市交通管理应用价值。

本文介绍了一种新型交通预测框架ST-GDN，结合图神经网络和多尺度注意力网络，提升城市交通流量预测的准确性。研究提出的SCPT和AHSTN方法有效解决了模型在新道路上的推广能力和时空关联建模问题。实验结果表明，这些方法在多个数据集上优于现有技术，显著提高了预测性能。

本研究提出了一种新型时空图变换器（STGformer）架构，解决了交通预测模型计算量大的问题。STGformer结合了图神经网络和变换器的优点，高效建模复杂交通模式。在加州道路测试中，实现了100倍速度提升和99.8% GPU内存减少，显示出巨大潜力。

本文介绍了多种基于图神经网络的交通预测模型，如TGC-LSTM、ST-GDN、MegaCRN、ASTGODE和DyHSL。这些模型通过捕捉交通参与者之间的相互作用和高阶时空关系，显著提高了预测准确性，解决了复杂交通网络中的挑战，显示出图神经网络在交通预测中的重要价值。

本文介绍了多种新型交通预测模型，如DCRNN、Motif-GCRNN、简化GNN和动态LSTM，这些模型在真实数据集上表现优异。研究强调了时空依赖性的重要性，并提出了CP-MoE模型以应对交通拥堵问题，该模型已在DiDi部署，提升了旅行时间估计的准确性。

本文介绍了多种深度学习架构用于交通预测，包括DCRNN、STGCN、3D-TGCN、H-STGCN、USTGCN、STIDGCN、MegaCRN和DFDGCN等。这些模型通过捕捉时空依赖性，提高了预测准确性，尤其在复杂交通模式下表现优异。实验结果表明，这些新模型在多个真实数据集上超越了现有技术。

本文研究了智能城市发展中交通预测的关键领域，提出了时空图变换器（STGormer）以整合交通数据中的属性和结构信息。实验结果表明，STGormer在多个真实世界数据集上实现了最佳性能，提高了预测准确性。

本研究提出了异质时空图序列网络（HSTGSN）解决交通预测中无法预测传感器位置之外交通流的问题。实验证明该方法在未完全OD需求下，仍能准确预测流量并具有良好的泛化能力，具有重要的城市交通管理应用价值。

本文介绍了一种名为LVSTformer的多层多视图增强时空Transformer模型，用于交通预测。该模型通过捕获空间和时间依赖性，并引入时空上下文广播模块，提高了模型的泛化能力和鲁棒性。实验结果表明，LVSTformer在交通预测方面优于竞争基线模型。

本文介绍了一种名为LVSTformer的多层多视图增强时空Transformer模型，用于交通预测。该模型通过捕获空间和时间依赖性，提高了泛化能力和鲁棒性。实验结果显示，LVSTformer相较于竞争基线模型表现更好，最大改进幅度达到4.32%。

深度学习模型在交通预测中应用广泛，但缺乏可解释性。通过不确定性量化方法，研究了多个城市和时间段的交通数据集，发现恢复有意义的不确定性估计，并检测无监督异常点。莫斯科案例研究表明方法能捕捉交通行为的时间和空间效应，推动不确定性意识的发展，突出不确定性量化方法对城市交通动态的价值。