该研究提出了一种因果增强的发源地-目的地流量预测框架，旨在解决发展中国家城市中的数据稀缺问题。通过迁移城市间的知识，该方法提高了预测精度，实验结果表明，OD流量预测的均方根误差降低了多达11%。

本研究提出了一种基于河流流量图的因果流量预测方法（CSF），克服了传统水文建模在流量预测中的局限性。该方法结合时空图神经网络和领域知识，在德克萨斯州Brazos河流域的实际案例中优于常规方法，展示了其在水文建模中的应用潜力。

本文探讨了影响城市流量的主要因素，分析了多种流量预测方法，并提出了基于图形机器学习的模型，如MOHER和Region2Vec，以提高城市流量预测的准确性。此外，研究还介绍了新型模型HAFusion和OpenCity，强调了交通预测中的创新与应用。

本文提出了多种基于深度学习的流量预测方法，如LSTM和DL-mAMPnet，旨在提高机器型通信的预测准确性和资源利用效率。研究涵盖实时流量预测、QoS保障及交通拥堵预测，结果表明新方法在性能上优于传统算法，有效支持动态网络优化。