本研究比较了多智能体强化学习（MARL）与传统固定时间信号控制在交通信号优化中的效果。结果表明，MARL显著降低了平均等待时间，提高了通行能力，显示其在城市交通管理中的重要潜力。

本研究采用时空生成对抗网络(STGAN)框架，结合图神经网络和长短期记忆网络，旨在提高城市交通管理中的交通异常检测能力和响应效率。

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。