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。

本研究提出了一种BiDepth多模态神经网络（BDMNN），有效整合动态系统中的时空信息，分别将城市交通和降雨预测的均方误差降低12%和提高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。

本研究提出了实时半监督车辆监测框架，解决了城市交通引起的地震数据中识别车辆运动的问题。实验结果显示该模型准确性和鲁棒性超越现有方法，具有潜在影响。

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。

本文介绍了一种基于图神经网络的蜂窝网络流量预测方法，考虑了基站的动态部署和移除，并能处理不断演化的图。实验证明，在稀缺数据情况下，该方法性能提升高达9.8%。

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。

通过将连续帧处理的聚合特征映射应用于YOLOX架构，提高了对城市移动模式的理解和检测可靠性，特别是在检测小型细长目标等具有挑战性的条件下展示出了明显改进。该方法通过考虑时空信息提高了在困难条件下的检测性能。

城市交通正在转变，自动驾驶车辆的共享、连接和协作出现。研究提出了自主穿梭车的到达时间预测系统，使用停留时间和行驶时间模型，并通过五个城市的数据验证。预测结果令人满意，多站点预测错误率低。停留时间预测是自动穿梭车整体到达时间预测准确性的关键因素。研究为自主公共交通预测模型提供见解，为领域发展铺平道路。

该研究提出了一种面向多变量时间序列数据的图神经网络框架，通过图学习模块提取变量之间的关系，利用混合传递和膨胀创新层捕捉时间序列中的相关性。实验结果表明，该模型在基准数据集上优于现有方法，并在提供额外结构信息的交通数据集上表现相当。

本研究探讨了深度学习模型在交通预测中的应用，通过不确定性量化方法提高其可解释性。研究发现这些方法在大规模基于图像的交通数据集上具有实用性，并能够恢复有意义的不确定性估计。此外，研究还展示了如何利用不确定性估计检测城市交通动态变化中的异常点。通过对莫斯科市的案例研究，发现这种方法能够捕捉到交通行为的时间和空间效应。本研究推动了不确定性意识在交通预测任务中的进一步发展，并突出了不确定性量化方法对于更好理解城市交通动态的价值。