本文介绍了一种新型跨模态变压器模型xMTrans，专注于长期交通预测，能够有效探索模态数据间的时间相关性。实验结果表明，xMTrans在交通拥堵和出租车需求预测方面优于现有方法，并通过消融研究分析了各模块的有效性。

该研究提出了多种基于深度学习的交通预测方法，如DMVST-Net和Traffic Transformer，利用时空特征和大数据提高出租车需求和停车场占用的预测精度。模型通过自监督学习和图卷积技术在真实数据集上表现优异，准确率可达95%。此外，研究还探讨了数据隐私保护和跨城市预测的技术挑战。