本文提出了一种名为SURCONFORT的半监督学习方法，用于铁路运输系统中的拥堵预测。该方法利用稀疏的乘客报告，成功解决了标签稀疏性问题。研究表明，SURCONFORT在预测性能上比最先进的方法提高了14.9%。

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。

该研究探索了受重尾分析和不平衡分类问题启发的损失函数，以解决交通预测中拥堵预测不准确的问题。实验结果表明，MAE-Focal Loss 函数在优化 MAE 时最为有效，而 Gumbel Loss 函数在优化 MSE 时最佳。该研究增强了深度学习模型在预测拥堵引起的突发速度变化方面的能力，并强调了进一步研究的必要性。