叶寻第一次独自开车，经历了紧张与兴奋，逐渐适应复杂的城市交通。通过多次练习，增强了自信，能够独立应对陌生环境。

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。

本研究提出了一种双阶段模糊方法FuzzyLight，旨在解决城市交通信号控制中的决策不准确和训练不稳定问题，提升信号决策效率48%，对交通管理具有重要影响。

本研究提出了BiDepth多模态神经网络（BDMNN），旨在解决动态系统中的时空信息预测问题。该模型通过双向深度调制，提升了城市交通和降雨预测的准确性，均方误差降低12%，准确性提高15%。

文章讨论了自行车在城市交通中的重要性及面临的挑战，建议将机动车速度限制在30公里/小时以降低交通事故风险。尽管自行车曾是主要交通工具，但汽车的普及使骑行者安全受到威胁，城市规划偏向汽车，骑行者逐渐被边缘化。研究表明，增加骑行者数量能降低事故率，强调应鼓励自行车使用以改善交通安全。

本文介绍了多种基于深度强化学习和多智能体协作的交通信号控制与规划方法，旨在提升交通安全、效率和鲁棒性。这些方法包括无信号交叉口优化、适应性实时控制及基于区域划分的信号控制系统。研究表明，这些新算法在性能上显著优于现有方法，有效管理复杂城市交通流量。

本研究提出了一种基于分布式声学传感的实时半监督车辆监测框架，旨在识别城市交通引起的地震数据中的车辆运动。该框架利用少量人工标签进行初始训练，并通过无标签数据进行模型改进，实验结果表明其在准确性和鲁棒性方面优于现有方法。

本文介绍了多种基于深度强化学习的算法，旨在改善多智能体系统中的策略协作与交通信号控制。这些算法在城市交通、无人驾驶巡逻和紧急响应管理中表现优越，显著提高了效率和响应速度。

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。

本研究提出了一种将大型语言模型（LLMs）与交通信号控制系统结合的新方法，显著提高了交通流量管理效率。在传感器故障情况下，该方法平均等待时间减少20.4%。研究还探讨了基于强化学习的交通信号控制框架，提出了多智能体协作的在线规划方法，以应对城市交通拥堵问题，提升交通流量控制性能。

提出了一种以自主交通工具感知信息为中心的新型状态表示方法，通过强化学习实现安全导航，超过其他基准模型在安全和能耗度量方面的性能表现，同时保持了竞争力的平均行驶速度，为更健壮和可靠的自主导航策略铺平道路，从而实现更安全和高效的城市交通环境。

本文介绍了一种新的交通预测框架ST-GDN，结合图神经网络和多尺度注意力网络，有效捕捉城市交通流量的空间和时间动态。实验结果表明，ST-GDN在交通预测性能上优于现有模型。

该论文提出了一种新方法，结合条件生成对抗网络和图神经网络，生成逼真的城市交通图像，缩小模拟与实际之间的差距。研究成果可丰富交通图像数据集，提升交通信号控制和拥堵预测模型的性能，实验结果显示该方法在多项任务中优于现有技术。

LLMLight利用大型语言模型优化交通信号控制，提升道路效率。研究提出LemgoRL基准工具，解决现有控制器在真实环境中的表现差距。DTLight方法通过离线数据学习策略，表现优异。TPLLM框架结合CNN和GCN提高交通预测准确性。TrafficDojo模拟框架为基于视觉的信号控制提供新机会，强化学习框架有效应对城市交通拥堵，实验验证其有效性。