A Survey on Traffic Signal Control Methods
Penn State University（宾夕法尼亚州立大学）
交通信号控制是一个重要且具有挑战性的现实问题，其目标是通过协调车辆在交叉口的运动来最小化车辆的行程时间。目前使用的交通信号控制系统仍然严重依赖过于简单的信息和基于规则的方法，尽管我们现在有更丰富的数据，更强大的计算能力和先进的方法来推动智能交通的发展。随着人们对使用机器学习方法（如强化学习）的智能交通越来越感兴趣，本调查涵盖了广泛认可的交通方法和关于交通信号控制强化的最新文献的全面列表。我们希望这项调查能够促进对这一重要主题的跨学科研究。
2020-01-16 cs.AI cs.LG stat.ML
How to Build a Graph-Based Deep Learning Architecture in Traffic Domain: A Survey
Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）；University of Macau（澳门大学）
近年来，已经提出了各种深度学习架构来解决交通领域的复杂挑战（例如空间依赖性，时间依赖性），并取得了令人满意的性能。这些架构由多种深度学习技术组成，以应对交通任务中的各种挑战。传统上，卷积神经网络（CNN）被用来通过将交通网络分解为网格来建模空间依赖性。然而，许多交通网络本质上是图结构的。为了充分利用这些空间信息，将交通网络用数学图形表示更为合适。最近，已经开发了各种新颖的深度学习技术来处理图形数据，称为图形神经网络（GNN）。越来越多的工作将GNN与其他深度学习技术相结合，构建了一个处理复杂交通任务中各种挑战的架构，其中GNN负责提取交通网络中的空间相关性。这些基于图的架构已经实现了最先进的性能。为了全面清晰地了解这一新兴趋势，本调查仔细研究了许多交通应用中各种基于图的深度学习架构。我们首先给出了基于图的交通问题的指导方针，并从各种交通数据集构造图。然后，我们分解这些基于图的架构，讨论它们共享的深度学习技术，阐明每种技术在流量任务中的应用。更重要的是，我们总结了一些常见的流量挑战以及针对每个挑战的相应的基于图的深度学习解决方案。最后，我们提供了基准数据集，开源代码和未来的研究方向在这个快速增长的领域。
2020-10-11 cs.LG eess.SP
PCNN: Deep Convolutional Networks for Short-term Traffic Congestion Prediction
交通问题已经严重影响到人们的生活质量和城市的发展，预测短期交通拥堵对个人和政府都具有重要意义。然而，理解和建模的交通状况可能是非常困难的，我们从实际的交通数据的观察表明，（1）类似的交通拥堵模式存在于相邻的时隙和连续的工作日;（2）交通拥堵的水平有明显的多尺度属性。为了捕捉这些特征，我们提出了一种基于深度卷积神经网络的PCNN方法，对周期性交通数据进行建模，用于短期交通拥堵预测。PCNN有两个关键过程：时间序列折叠和多粒度学习。它首先在时间上折叠的时间序列，并构造一个二维矩阵作为网络的输入，这样的实时交通状况和过去的交通模式都得到了很好的考虑，然后通过一系列的卷积输入矩阵，它是能够模拟本地的时间依赖性和多尺度的交通模式。具体而言，可以在宏观尺度上解决拥塞的全球趋势;而可以在微观尺度上捕获拥塞的更多细节和变化。在真实城市交通数据集上的实验结果证实，将时间序列数据折叠成二维矩阵是有效的，PCNN在短期拥堵预测任务中的性能明显优于基线。
2020-03-16 cs.LG eess.SP
A Survey of Real-Time Social-Based Traffic Detection
Texas Tech University（德克萨斯理工大学）
在线交通新闻网站并不总是实时的【形】公布各地区的交通事件。为了开发一个实时的【形】交通检测系统，可以在twitter流上使用文本挖掘和机器学习技术来执行事件检测。在这篇综述论文中，我们将讨论当前实时的【形】检测交通事件的最新技术，重点关注五篇论文[1，2，3，4，5]。最后，应用文献[2]中的文本挖掘技术和SVM分类器给出了最好的结果（即95.75%的准确率和95.8%的F1分数）。
2020-07-07 cs.LG cs.SI
Big Data for Traffic Estimation and Prediction: A Survey of Data and Tools
Tsinghua University（清华大学）；Nanyang Technological University（南洋理工大学）
大数据已经广泛应用于包括交通运输业在内的许多领域。利用各种数据源，可以很好地估计和进一步预测交通状态，以提高整体运营效率。结合这一趋势，本研究介绍了用于流量估计和预测的开放数据和大数据工具的最新调查。对不同的数据类型进行了分类，并介绍了现成的工具。为了进一步促进大数据在交通估计和预测任务中的使用，提出了未来研究的挑战和未来方向。
2022-01-29 cs.DB cs.LG
Short-Term Traffic Flow Prediction Using Variational LSTM Networks
Islamic Azad University North Tehran Branch（伊斯兰阿扎德大学北德黑兰分校）；Umeå University（于默奥大学）；Shahed Univerisity（沙希德大学）；Bogazici University（博阿齐奇大学）
交通流特性是区域交通决策和交通管制的重要因素之一。了解交通流的预测状态在交通管理和交通信息划分中具有首要的重要性。本研究的目的是提出一个预测模型的交通流量通过使用深度学习技术的基础上的历史数据在智能交通系统领域。从加州交通绩效测量系统（PeMS）收集的2019年六个月的历史数据。建议的预测模型是一个变分长短期记忆编码器在简短的VLSTM-E试图估计流量准确地与其他传统的方法相比。VLSTM-E通过考虑分布和缺失值，可以提供更可靠的短期业务流。
2020-02-18 cs.LG cs.NE eess.SP
Safety in Traffic Management Systems: A Comprehensive Survey
Ying Wu College of Computing, New Jersey Institute of Technology（新泽西理工学院吴瑛计算机学院）
本文全面综述了交通管理系统中的安全性问题，梳理了先进技术带来的安全挑战、现有研究现状与保障技术方法，并指出研究局限和未来方向。
2023-08-11 cs.AI cs.LG cs.SY
Short-term traffic prediction using physics-aware neural networks
Chalmers University of Technology（查尔姆斯理工大学）；University of Gothenburg（哥德堡大学）
本文提出一种物理感知循环神经网络算法，将宏观交通流模型嵌入网络架构，结合LSTM与简单RNN估计时空交通参数，实现基于环形检测器原始数据的短期车流量预测，并对输入进行物理约束平滑。
2021-09-21 cs.LG eess.SP
Adversarial Attacks on Traffic Sign Recognition: A Survey
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文综述针对交通标志检测与分类模型的数字及真实世界对抗攻击研究，梳理最新进展并指出未来需深入探索的方向。
2023-07-17 cs.CR cs.CV cs.LG
Deep Learning Approaches for Network Traffic Classification in the Internet of Things (IoT): A Survey
Mehran University of Engineering and Technology（梅赫兰工程与技术大学）
本综述系统梳理了面向物联网环境的深度学习网络流量分类方法，分析了各类模型的优劣与挑战，并指出了未来研究方向。
2024-02-01 cs.CR cs.LG cs.NI
An Efficient Two-stage Gradient Boosting Framework for Short-term Traffic State Estimation
Layer 6 AI
实时交通状态估计是智能交通系统的重要组成部分。NeurIPS 2022网络4cast挑战赛为短期流量状态估计方法的基准测试提供了一个很好的测试平台。本技术报告描述了我们应对这一挑战的解决方案。特别是，我们提出了一个有效的两阶段梯度提升框架的短期交通状态估计。第一阶段基于稀疏循环计数器数据导出月份、星期几和时隙索引，并且第二阶段基于稀疏循环计数器数据和导出的月份、星期几和时隙索引预测未来交通状态。实验结果表明，我们的两阶段梯度提升框架实现了强大的经验性能，在核心和扩展挑战中均获得第三名，同时保持高效。本技术报告的源代码可从\url{https://github.com/YichaoLu/Traffic4cast2022}获得。
2023-02-21 cs.LG
Short-Term Traffic Forecasting Using High-Resolution Traffic Data
New York University Abu Dhabi（纽约大学阿布扎比分校）；New York University（纽约大学）
本文开发了一个数据驱动的工具包，用于使用高分辨率（a.k.a.基于事件的）交通数据。这是从城市道路中的固定传感器获得的原始数据。这种原始数据的时间序列从一个时间步到下一个时间步（通常在0.1-1秒的量级上）表现出严重的波动。交通状况的短期预测（未来10-30秒）对于交通运营应用（例如，自适应信号控制）。但是文献中的交通预测工具主要处理3-5分钟的聚合数据，其中典型的信号周期为2分钟的量级。这使得这种预测在业务一级毫无用处。为此，我们将流量预测问题建模为矩阵完成问题，其中预测输入使用内核映射到高维空间。该公式使我们能够捕获预测输入和输出之间的非线性依赖关系，也使我们能够捕获输入之间的依赖关系。这些依赖性对应于网络中不同位置之间的相关性。我们进一步采用自适应提升来提高训练准确性并捕获数据中的历史模式。所提出的方法的性能进行了验证，使用高分辨率的数据从现实世界中的交通网络在阿布扎比，阿联酋。我们的实验结果表明，该方法优于其他国家的最先进的算法。
2020-06-22 cs.LG eess.SP math.OC
Multi-Service Mobile Traffic Forecasting via Convolutional Long Short-Term Memories
University of Edinburgh（爱丁堡大学）；CNR-IEIIT（意大利国家研究委员会电子、信息与电信工程研究所）
网络切片越来越多地用于在不同的移动服务之间划分网络基础设施。在这种情况下，精确的服务移动流量预测变得至关重要，因为移动运营商寻求提前向每个切片预分配资源，以满足各个服务的不同要求。本文使用序列到序列（S2 S）学习范式和卷积长短期记忆（ConvLSTM）来解决多业务移动流量预测问题。所提出的架构的设计，以便有效地提取复杂的时空特征的移动网络流量和高精度预测未来的需求，在城市规模的个人服务。我们在一个欧洲大都市收集的移动流量数据集上进行了实验，证明了所提出的S2 S-ConvLSTM可以预测数十种不同服务在一个小时之前产生的移动流量，只需使用过去一个小时内进行的测量。特别是，我们的解决方案在天线级实现了低于13 KBps的平均绝对误差（MAE），比其他深度学习方法高出31.2%。
2019-05-23 cs.LG cs.NI eess.SP
Understanding Dynamic Spatio-Temporal Contexts in Long Short-Term Memory for Road Traffic Speed Prediction
Yonsei University（延世大学）
本研究提出一种动态局部化长短期记忆模型，结合空间与时间依赖及动态权重矩阵，提升道路交通速度预测性能，优于两种基线方法。
2023-06-17 cs.AI cs.LG
Applications of deep learning in traffic congestion detection, prediction and alleviation: A survey
ETH Zurich（苏黎世联邦理工学院）；Future Resilient Systems（未来韧性系统）；Singapore-ETH Centre（新加坡-ETH中心）
检测、预测和缓解交通拥堵的目的是提高交通网络的服务水平。随着越来越多地访问更高分辨率的更大数据集，深度学习对此类任务的相关性正在增加。近年来的一些综合调查论文总结了深度学习在交通领域的应用。然而，交通网络的系统动态在非拥塞状态和拥塞状态之间变化很大，因此需要清楚地了解拥塞预测所面临的挑战。在本调查中，我们介绍了深度学习在与拥塞检测、预测和缓解相关的任务中的应用现状。重复和非重复拥塞将分别讨论。我们的调查使我们发现了当前研究状态中的固有挑战和差距。最后，我们提出了一些建议，为未来的研究方向，以应对所确定的挑战。
2021-11-02 cs.LG stat.ML
Energy-Efficient Wake-Up Signalling for Machine-Type Devices Based on Traffic-Aware Long-Short Term Memory Prediction
Universidad Central “Marta Abreu” de Las Villas（拉斯维亚斯中央大学（“玛尔塔·阿布雷乌”中央大学））；Universidad Tecnológica Metropolitana（大都会理工大学）；Federal University of Santa Catarina（圣卡塔琳娜联邦大学）
降低能耗是低功率机器类型通信（MTC）网络中的紧迫问题。在这方面，唤醒信号（WuS）技术，其目的是最大限度地减少机器类型设备（MTD）的无线电接口消耗的能量，是一个有前途的解决方案。然而，国家的最先进的WuS机制使用静态的操作参数，所以他们不能有效地适应系统的动态。为了克服这一点，我们设计了一个简单但有效的神经网络来预测MTC流量模式，并相应地配置WuS。我们提出的预测WuS（FWuS）利用了一个准确的基于长短期记忆（LSTM）的流量预测，可以通过避免空闲状态下频繁的页面监控来延长MTD的睡眠时间。仿真结果表明了该方法的有效性。流量预测误差低于4%，虚警概率和漏检概率分别低于8.8%和1.3%。在能耗降低方面，FWuS的表现最高可超过最佳基准机制32%。最后，我们证明了FWuS动态适应流量密度变化的能力，促进了低功耗MTC的可扩展性
2022-06-13 cs.LG eess.SP
Analyzing Consumer IoT Traffic from Security and Privacy Perspectives: a Comprehensive Survey
Key Laboratory of Data and Intelligent System Security, Ministry of Education, China (DISSec)（数据与智能系统安全重点实验室，教育部，中国（DISSec））；Tianjin Key Laboratory of Network and Data Security Technology (NDST)（天津网络与数据安全技术重点实验室（NDST））；College of Cryptology and Cyber Science, Nankai University（密码与网络安全科学学院，南开大学）；DISSec；NDST；College of Computer Science, Nankai University（计算机科学学院，南开大学）；School of Computer Science and Technology, Hangzhou Dianzi University（计算机科学与技术学院，杭州电子科技大学）
本文综述2018年1月至2024年6月的310篇文献，梳理CIoT流量分析流程，按设备指纹、活动推断、恶意流量检测和测量四类归纳研究，并指出未来安全隐私方向。
2025-05-14 cs.AI cs.CR cs.LG
Short-term passenger flow prediction for multi-traffic modes: A Transformer and residual network based multi-task learning method
Beijing Jiaotong University（北京交通大学）
随着移动即服务（MaaS）的普及，多业务模式的协同管理变得越来越重要。多交通方式的短时客流预测作为城市交通服务的重要组成部分，也因此受到关注。由于多交通方式的时空特征非常复杂，因此这是一个具有挑战性的问题。此外，多种交通方式的客流分化和波动明显。为了解决这些问题，本文提出了一种基于多任务学习的模型，称为Res-Transformer，用于多交通方式（地铁，出租车和公共汽车）的短期流入预测。在模型中，每个交通模式被视为一个单一的任务。Res-Transformer由两部分组成：（1）多个改进的Transformer层，包括conv-Transformer层和多头注意力机制，有助于提取多业务模式的空间和时间特征;（2）利用剩余网络结构获得不同业务模式的相关性，防止梯度消失、梯度爆炸和过拟合。Res-Transformer模型在中国北京的两个大规模真实世界数据集上进行了评估。一个是交通枢纽区域，另一个是居住区区域。通过实验比较了该模型与几种基准模型的性能。实验结果证明了该方法的有效性和鲁棒性。本文可以提供关键的见解，短期流入预测的多交通方式。
2022-05-07 cs.LG
A Comprehensive Survey on Network Traffic Synthesis: From Statistical Models to Deep Learning
University of Sydney（悉尼大学）；University of Peradeniya（珀德尼亚大学）；Curtin University（Curtin 大学）；CSIRO（澳大利亚联邦科学与工业研究组织）；Colorado State University（科罗拉多州立大学）
本文综述了网络流量合成方法，涵盖数据类型和生成模型，重点讨论深度学习技术及统计方法，提供比较分析工具，指出开放挑战和未来研究方向。
2026-04-08 cs.LG cs.NI
A spatial-temporal short-term traffic flow prediction model based on dynamical-learning graph convolution mechanism
Wuhan University of Technology（武汉理工大学）；Delft University of Technology（代尔夫特理工大学）
短时交通流预测是智能交通系统（ITS）的一个重要分支，在交通管理中起着重要的作用。图卷积网络（GCN）被广泛应用于交通预测模型中，以更好地处理道路网络的图形结构数据。然而，在现实生活中，不同路段之间的影响权重往往是不同的，很难人工分析。传统的GCN机制依赖于人工设置邻接矩阵，无法在训练过程中动态学习这种空间模式。针对这一缺陷，提出了一种新的位置图卷积网络（Location-GCN）。位置GCN通过在GCN机制中添加一个新的可学习矩阵来解决这个问题，使用这个矩阵的绝对值来表示不同节点之间的不同影响水平。然后，长短期记忆（LSTM）的流量预测模型中使用。此外，三角函数编码是在这项研究中，使短期的输入序列传达长期的周期性信息。最后，该模型与基线模型进行了比较，并在两个真实的世界交通流数据集上进行了评估。结果表明，我们的模型是更准确和更强大的两个数据集上比其他代表性的交通预测模型。
2022-05-10 cs.LG
A Block Regression Model for Short-Term Mobile Traffic Forecasting
Tsinghua University（清华大学）
准确的移动流量预测对于有效的网络规划和运营至关重要。然而，现有的交通预测模型具有很高的复杂性，使得预测过程缓慢且成本高。本文分析了移动业务的周期性、空间相似性和短期相关性等特性。基于这些特点，我们提出了一个\emph{Block Regression}（{BR}）模型的移动业务预测。该模型采用季节性差异，以考虑到移动业务的时间重复性。我们的{BR}模型的关键特征之一在于其低复杂性，因为它为所有基站构建了单个模型。我们评估的准确性{BR}模型的基础上，实际的交通数据，并与现有的模型进行比较。结果表明，我们的{BR}模型提供了相同的准确性，现有的模型，但具有更低的复杂性。
2015-11-17 cs.LG cs.NI
Enhancing short-term traffic prediction by integrating trends and fluctuations with attention mechanism
Penn State University（宾夕法尼亚州立大学）；HNTB Corporation（HNTB公司）
本研究提出一个混合深度学习框架，通过并行处理长期趋势与短期波动特征并结合 Bahdanau attention 机制，显著提升了多时间跨度下的短期交通流预测精度。
2025-04-28 cs.AI cs.ET cs.LG
A Long Short-Term Memory Recurrent Neural Network Framework for Network Traffic Matrix Prediction
LIP6 / UPMC（巴黎第六大学计算机科学实验室 / 皮埃尔和玛丽·居里大学）
网络流量矩阵（TM）预测被定义为从以前的和实现的网络流量数据估计未来的网络流量的问题。它广泛应用于网络规划、资源管理和网络安全等领域。长短期记忆（LSTM）是一种特定的循环神经网络（RNN）架构，非常适合从经验中学习，以分类，处理和预测具有未知大小时滞的时间序列。LSTM已经被证明比传统的RNN更准确地建模时间序列及其长期依赖性。在本文中，我们提出了一个LSTM RNN框架，用于预测大型网络中的短期和长期流量矩阵（TM）。通过在GEANT网络的真实数据上验证我们的框架，我们证明了我们的LSTM模型收敛速度很快，并且对于相对较小的模型提供了最先进的TM预测性能。
2017-06-08 cs.LG cs.NI
A Hybrid Traffic Speed Forecasting Approach Integrating Wavelet Transform and Motif-based Graph Convolutional Recurrent Neural Network
State Key Laboratory of Information Engineering in Survey, Mapping and Remote Sensing（测绘遥感信息工程国家重点实验室）
交通预测是城市交通管理和疏导的关键。然而，现有的方法很少利用交通速度观测的时频特性，往往忽略了交通流从上游到下游路段的传播。在本文中，我们提出了一种混合的方法，学习交通流的时空依赖性，并预测道路网络上的短期交通速度。具体来说，我们采用小波变换分解原始交通数据到几个不同的频率子带的分量。基于模体的图卷积循环神经网络（Motif-GCRNN）和自回归移动平均（ARMA）分别用于训练和预测低频分量和高频分量。在Motif-GCRNN框架中，我们将图卷积网络（GCN）与局部子图结构（Motifs）相结合，以捕获路段之间的空间相关性，并应用长短期记忆（LSTM）来提取交通速度的短期和周期性模式。在中国成都采集的交通数据集上的实验表明，所提出的混合方法优于六种最先进的预测方法。
2019-04-14 cs.CV cs.LG eess.SP
See the Near Future: A Short-Term Predictive Methodology to Traffic Load in ITS
Xidian University（西安电子科技大学）；Beijing Jiaotong University（北京交通大学）；Deakin University（迪肯大学）
智能交通系统（ITS）的目标是通过应用先进的无线通信技术进行道路交通调度，实现协调的交通系统。为了实现准确的道路交通控制，短期交通预测往往是有用的和重要的，在特定的地点在短时间内预测的道路交通。在现有的研究中，季节性自回归积分移动平均（SARIMA）模型是一种比较流行的方法。然而，该方案面临两个挑战：1）对相关数据的分析不足，而数据的一些重要特征可能被忽略; 2）由于数据呈现不同的特征，因此不太可能有一个预测模型可以适用于所有情况。为了解决上述问题，在这项工作中，我们开发了一个混合模型，以提高精度的SARIMA。具体而言，我们首先探讨交通流的自相关性和分布特性，以修正时间序列模型的结构。基于交通流的高斯分布，提出了一种结合贝叶斯学习算法的混合模型，有效地扩展了SARIMA的应用场景。我们使用分析和实验研究表明，我们的建议的效率和准确性。使用真实世界的跟踪数据，我们表明，所提出的预测方法可以在实践中取得令人满意的性能。
2017-01-08 cs.LG stat.AP
Neural Architecture Search for Traffic Prediction: A Survey of Methods, Challenges, and Future Directions
该综述梳理用于交通预测的NAS方法，分析其搜索策略、挑战与未来方向，为解决交通预测模型人工设计泛化差等问题提供系统性方案。
2026-07-30 cs.LG cs.NE
Accurate non-stationary short-term traffic flow prediction method
China Agricultural University（中国农业大学）
准确及时的交通流预测在智能交通系统的发展中起着至关重要的作用，近几十年来受到了广泛的关注。尽管深度学习在这一领域取得了重大进展，但挑战依然存在。交通流通常在短时间内发生剧烈变化，这使得现有方法无法准确捕捉未来趋势，并可能导致过拟合问题，导致精度不高。为此，提出了一种基于长短期记忆（LSTM）的交通流预测方法，该方法能够准确预测短期交通流，避免了训练过程中的局部最优问题。具体来说，我们不是直接使用非平稳的原始流量数据，而是首先将它们分解为子分量，其中每个子分量的噪声都小于原始输入。然后，样本熵（SE）合并相似的组件，以减少计算成本。合并后的特征被输入到LSTM中，然后我们引入一个时空模块来考虑重组信号中的相邻关系，以避免强自相关。在训练过程中，我们利用灰狼算法（GWO）优化LSTM的参数，克服了过拟合问题。我们在英国公共公路交通流数据集上进行了实验，结果表明，该方法与其他最先进的方法相比，在极端离群值、延迟效应和趋势变化响应方面具有更好的自适应性能。
2022-05-01 cs.LG cs.RO
A Survey and Benchmarking of Spatial-Temporal Traffic Data Imputation Models
Key Laboratory of Big Data and Artificial Intelligence in Transportation, Ministry of Education, and School of Computer Science and Technology, Beijing Jiaotong University（大数据与人工智能交通运输关键实验室、教育部，计算机科学与技术学院，北京交通大学）；Department of Computer Science, Aalborg University（计算机科学系，奥尔堡大学）；Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence, School of Computer Science and Technology, Beijing Jiaotong University（北京交通大数据挖掘与具身智能关键实验室，计算机科学与技术学院，北京交通大学）
本文针对交通数据插补模型缺乏分类、统一基准和多维比较的问题，提出缺失模式与模型分类体系，并构建统一流程评估11个代表性模型。
2025-10-17 cs.LG
Bias in the Shadows: Explore Shortcuts in Encrypted Network Traffic Classification
Department of Computer Science and Technology, Tsinghua University（计算机科学与技术系，清华大学）
本文提出BiasSeeker，一种半自动化的框架，用于检测加密网络流量分类中的数据集特定捷径特征，通过统计相关性分析和类别特定验证策略减少偏差，提升模型泛化能力。
2026-01-15 cs.LG cs.NI
A Prescriptive Framework for Determining Optimal Days for Short-Term Traffic Counts
South Carolina State University（南卡罗来纳州立大学）；North Carolina A&T State University（北卡罗来纳州A&T州立大学）
本研究提出了一种机器学习框架，用于确定最佳日期进行短期交通计数，以提高AADT预测精度，减少数据收集成本。
2025-12-05 cs.LG
Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment
TECNALIA, Basque Research and Technology Alliance (BRTA)（TECNALIA，巴斯克研究与技术联盟（BRTA））；University of the Basque Country (UPV/EHU)（巴斯克大学（UPV/EHU））；National Technical University of Athens (NTUA)（雅典国立技术大学（NTUA））
在短期交通预测中，目标是准确地预测在查询预测之后不久发生的感兴趣的交通参数的未来值。在这一长期研究领域中报道的活动最近被不同的深度学习方法所主导，产生了过于复杂的预测模型，这些模型通常可以实现实际效用可疑的准确性增益。在这项工作中，我们详细介绍了深度回声状态网络在这一特定任务中的性能。这些替代建模方法的有效学习算法和更简单的参数配置使它们成为具有竞争力的交通预测方法，用于部署在具有严格有限的计算资源的设备和系统中的实际ITS应用。一个广泛的比较基准是利用在马德里（西班牙）捕获的真实交通数据设计的，共有130多个自动交通阅读器（ATR）和几个浅层学习，集成和深度学习模型。该比较基准的结果以及对报告的性能差距的统计显著性的分析具有决定性意义：Deep Echo State Networks比其他考虑的建模同行实现了更准确的流量预测。
2020-04-17 cs.ET cs.LG cs.NE
Physics-Informed Deep Learning For Traffic State Estimation: A Survey and the Outlook
Columbia University（哥伦比亚大学）；Data Science Institute, Columbia University（哥伦比亚大学数据科学研究所）
本文综述了物理信息深度学习（PIDL）计算图在交通状态估计（TSE）中的多种架构设计，并在相同真实数据集上比较了不同变体的性能。
2023-07-01 cs.LG
Hybrid hidden Markov LSTM for short-term traffic flow prediction
The Pennsylvania State University（宾夕法尼亚州立大学）
本文针对短期交通流量预测，结合 HMM 的状态机制识别能力与 LSTM 的长期时序建模能力，提出混合 hidden Markov-LSTM，显著优于 Markov switching ARIMA 和 LSTM。
2023-07-17 cs.LG stat.ML
A Slow-Shifting Concerned Machine Learning Method for Short-term Traffic Flow Forecasting
Singapore University of Technology and Design（新加坡科技设计大学）；Nanyang Technological University（南洋理工大学）
针对交通流日周期间峰值慢漂移导致的非平稳性预测难题，提出结合经验模态分解与长短期记忆网络的机器学习方法，在真实数据基准上较现有最优方法均方根误差降低14.55%、平均绝对百分比误差降低62.56%。
2023-03-31 cs.LG
Generative AI and Federated Learning for Intrusion Detection Systems: A Survey
Department of Computer Science, New Mexico State University（新墨西哥州立大学计算机科学系）；University of Hartford（哈特福德大学）；DEVCOM Analysis Center（DEVCOM分析中心）
本文综述了生成式AI和联邦学习在入侵检测中的应用，涵盖模型分类、任务目标及集成方法，并讨论了数据质量、对抗风险等挑战。
2026-07-03 cs.AI cs.CR cs.LG
DL-Traff: Survey and Benchmark of Deep Learning Models for Urban Traffic Prediction
The University of Tokyo（东京大学）；Southern University of Science and Technology（南方科技大学）；University of Technology Sydney（悉尼科技大学）
如今，随着物联网（IoT）和网络物理系统（CPS）技术的快速发展，移动电话、汽车导航系统和交通传感器正在产生大量时空数据。通过利用最先进的深度学习技术对这些数据进行处理，城市交通预测已经引起了人工智能和智能交通系统社区的广泛关注。该问题可以用3D张量（T，N，C）统一建模，其中T表示总时间步长，N表示空间域的大小（即，网格或图形节点），并且C表示信息通道。根据具体的建模策略，最新的深度学习模型可以分为三类：基于网格的，基于图的和多变量时间序列模型。在这项研究中，我们首先综合回顾了深度流量模型以及广泛使用的数据集，然后建立了一个标准的基准，以综合评估它们在相同设置和指标下的性能。我们的研究名为DL-Traff，使用两个最流行的深度学习框架实现，即，TensorFlow和PyTorch已经作为两个GitHub存储库https://github.com/deepkashiwa20/DL-Traff-Grid和https://github.com/deepkashiwa20/DL-Traff-Graph公开提供。通过DL-Traff，我们希望为对时空数据分析感兴趣的研究人员提供有用的资源。
2021-08-20 cs.LG
Deploying scalable traffic prediction models for efficient management in real-world large transportation networks during hurricane evacuations
University of California, Los Angeles（加州大学洛杉矶分校）
本研究针对飓风疏散中交通预测的挑战，提出整合MLP与LSTM的预测系统，结合多源数据，在现实路网部署中实现了较高的长短期预测精度，具备良好的适应性与可扩展性。
2024-06-17 cs.AI cs.LG cs.SI
Incrementally Improving Graph WaveNet Performance on Traffic Prediction
Stanford University（斯坦福大学）
我们提出了一系列的修改，提高了图形WaveNet的METR-LA流量预测任务上的先前最先进的性能。此任务的目标是使用过去一小时的传感器读数来预测网络中每个传感器的未来流量速度。图WaveNet（GWN）是一种时空图神经网络，它交织图卷积以聚合来自附近传感器的信息，并扩展卷积以聚合来自过去的信息。我们通过（1）使用更好的超参数，（2）添加允许更大梯度流回早期卷积层的连接，以及（3）在更容易的短期流量预测任务上进行预训练来改进GWN。这些修改将METR-LA任务的平均绝对误差降低了0.06，几乎等于GWN对其前身的改进。这些改进推广到PEMS-BAY数据集，具有类似的相对幅度。我们还表明，集成单独的模型进行短期和长期预测进一步提高了性能。代码可在https://github.com/sshleifer/Graph-WaveNet上获得。
2019-12-11 cs.LG eess.SP
Scalable Learning With a Structural Recurrent Neural Network for Short-Term Traffic Prediction
Sevendof AS（塞文多夫公司）；University of Sheffield（谢菲尔德大学）
本文提出了一种可扩展的深度学习方法，用于基于车辆道路网络中的历史交通数据的短期交通预测。捕获大数据的时空关系通常需要大量的计算负担或针对特定类型的道路网络的ad-hoc设计。为了解决这个问题，我们将道路网络图与递归神经网络（RNN）相结合，构建了结构化RNN（SRNN）。SRNN采用时空图来推断相邻路段之间的相互作用以及时间序列数据的时间动态。由于两个关键方面，该模型是可扩展的。首先，建议SRNN架构是通过使用所有段的时空动态交互的语义相似性。其次，我们设计的架构，以处理固定长度的张量，而不管图的拓扑结构。在桑坦德市测量的实际交通速度数据，我们证明了所提出的SRNN优于基于图像的方法，使用胶囊网络（CapsNet）的14.1%和卷积神经网络（CNN）的5.87%，分别在均方根误差（RMSE）。此外，我们表明，该模型是可扩展的。用路网数据训练的SRNN模型能够预测不同路网的交通速度，训练的参数是固定的。
2021-03-03 cs.LG
Global Spatio-Temporal Fusion-based Traffic Prediction Algorithm with Anomaly Aware
Nanjing University of Science and Technology（南京理工大学）；Southeast University（东南大学）
本文提出一种融合异常感知的全局时空交通预测算法，通过异常因素影响模块和多尺度时空特征融合模块捕捉长期与短期相关性，在PEMS04和PEMS08数据集上取得最优性能。
2024-12-19 cs.AI cs.LG
CONTINA: Confidence Interval for Traffic Demand Prediction with Coverage Guarantee
Key Laboratory of Road and Traffic Engineering, Ministry of Education at Tongji University（同济大学交通工程教育重点实验室）；Urban Mobility Institute, Tongji University（同济大学城市交通研究院）
CONTINA通过适应性调整置信区间长度，提供在交通变化环境下更准确的预测区间，提升交通管理的鲁棒性。
2026-02-24 cs.AI cs.LG stat.ML
MSCMHMST: A traffic flow prediction model based on Transformer
Inner Mongolia University（内蒙古大学）；Inner Mongolia Center for Transportation Research（内蒙古交通研究中心）
针对交通流预测中单一方法能力有限的问题，提出基于 Transformer 的混合模型 MSCMHMST，通过多头多尺度注意力捕获长短时序特征，并在 PeMS04/08 上验证了其准确性与鲁棒性。
2025-03-16 cs.AI cs.LG
Vulnerable Road User Detection and Safety Enhancement: A Comprehensive Survey
本文全面综述了增强弱势道路使用者（VRU）安全的最先进技术与方法，涵盖车与VRU通信网络、传感器数据融合、仿真环境、检测分类算法及意图行为预测，旨在提供VRU安全技术现状的全面理解并指出未来研究方向。
2025-06-27 cs.AI cs.LG
Transfer Learning with Graph Neural Networks for Short-Term Highway Traffic Forecasting
Argonne National Laboratory（阿贡国家实验室）；Lawrence Berkeley National Laboratory（劳伦斯伯克利国家实验室）
公路交通建模和预测方法是智能交通系统的关键。最近，基于深度学习的交通预测方法已经成为广泛的交通预测任务的最新技术。然而，这些方法需要大量的训练数据，其需要在相当长的时间段内收集。这可能会对缺乏历史数据的高速公路网络的数据驱动学习方法的开发和部署提出许多挑战。解决这个问题的一个有前途的方法是迁移学习，其中在公路网的一部分上训练的模型可以适应公路网的不同部分。我们专注于扩散卷积递归神经网络（DCRNN），一个国家的最先进的图神经网络的公路网预测。它使用递归神经网络中基于图形的扩散卷积操作来模拟高速公路网络的复杂空间和时间动态。然而，DCRNN不能执行迁移学习，因为它学习特定于位置的流量模式，而这些流量模式不能用于网络中看不见的区域。为此，我们为DCRNN开发了一种新的迁移学习方法，其中在高速公路网络的数据丰富区域上训练的单个模型可用于预测高速公路网络中看不见的区域的交通。我们评估我们的方法来预测整个加州高速公路网的交通与一年的时间序列数据的能力。我们表明，TL-DCRNN可以从加州高速公路网络的几个地区学习，并预测交通网络的不可见的区域具有很高的精度。此外，我们证明了TL-DCRNN可以从旧金山地区的交通数据中学习，并可以预测洛杉矶地区的交通，反之亦然。
2020-04-20 cs.LG stat.ML
Enhancing Spatiotemporal Traffic Prediction through Urban Human Activity Analysis
Korea Advanced Institute of Science and Technology（韩国科学技术院）；Indiana University Bloomington（印第安纳大学伯明顿分校）
针对现有交通预测模型忽略交通本质、传感器网络难反映真实路网及活动交通模式的问题，提出结合全国家庭出行调查活动频率数据的图卷积改进方法，以极小架构改动和低计算开销实现了交通预测的最优性能。
2023-08-20 cs.AI cs.LG
Uncertainty-aware Short-term Motion Prediction of Traffic Actors for Autonomous Driving
Uber Advanced Technologies Group（优步先进技术集团）
我们解决了自动驾驶汽车安全有效运行所必需的关键方面之一，即预测自动驾驶汽车周围交通行为者的未来状态。我们引入了一种基于深度学习的方法，该方法考虑了当前的世界状态，并生成每个演员附近的光栅图像。然后，这些光栅被用作深度卷积模型的输入，以推断参与者的未来运动，同时还考虑和捕获预测任务的固有不确定性。对真实世界数据的广泛实验强烈表明所提出的方法的好处。此外，在完成离线测试后，该系统成功地在自动驾驶汽车上进行了测试。
2020-03-04 cs.CV cs.LG cs.RO
Spatiotemporal Recurrent Convolutional Networks for Traffic Prediction in Transportation Networks
Beihang University（北京航空航天大学）；China FAW R&D Center（中国一汽研发中心）
近几十年来，大规模交通网络流量预测已成为一个重要而具有挑战性的课题。受运动预测领域知识的启发，其中对象的未来运动可以基于先前的场景来预测，我们提出了一种网络网格表示方法，该方法可以保留交通网络的精细尺度结构。网络范围内的流量速度被转换成一系列的静态图像，并输入到一个新的深度架构，即时空递归卷积网络（SRCN），用于流量预测。所提出的SRCN继承了深度卷积神经网络（DCNN）和长短期记忆（LSTM）神经网络的优点。网络范围内流量的空间依赖性可以由DCNN捕获，时间动态可以由LSTM学习。在具有278个链路的北京交通网络上进行的实验表明，SRCN在短期和长期交通预测方面都优于其他基于深度学习的算法。
2017-05-07 cs.LG
Incorporating Long-term Data in Training Short-term Traffic Prediction Model
Tongji University（同济大学）；Key Laboratory of Road and Traffic Engineering, Ministry of Education（道路与交通工程教育部重点实验室）；Urban Mobility Institute（城市移动性研究院）
本文研究长期历史数据对短期交通预测模型训练的影响，提出结合协变量分布加权对齐与环境感知学习的方法，以缓解协变量偏移和概念偏移，从而在大规模历史数据训练下显著降低测试误差并提升精度。
2024-10-16 cs.LG
Mesoscale Traffic Forecasting for Real-Time Bottleneck and Shockwave Prediction
University of California, Berkeley（加州大学伯克利分校）；Mines Paris, PSL University（巴黎矿业学院（PSL大学））；Valeo Driving Assistant Research（法雷奥驾驶辅助研究中心）
针对CIRCLES项目中数据源延迟及实时交通状态估计需求，提出融合空间自注意力与LSTM的SA-LSTM及其n-step多步扩展，在中观交通预测中实现先进性能。
2024-03-04 cs.AI cs.LG cs.RO
Travel Speed Prediction with a Hierarchical Convolutional Neural Network and Long Short-Term Memory Model Framework
Shenzhen Urban Transport Planning Center Co. Ltd（深圳市城市交通规划设计研究中心股份有限公司）
如果能够准确地提供先进的出行信息和预警，可以帮助道路使用者通过动态的路线规划和行为改变来避免交通拥堵。它还使交通控制中心能够通过主动激活智能交通系统（ITS）来减轻拥堵的影响。近年来，随着创新的GPU技术、高分辨率、大数据集和蓬勃发展的机器学习算法的涌现，深度学习变得越来越受欢迎。然而，利用这一新兴技术开发交通预测应用程序的例子很少。这在很大程度上是由于难以捕获随机的，季节性的，非线性的，和时空相关的性质的交通数据。在本文中，我们提出了一种数据驱动的建模方法，采用一种新的分层D-CLSTM-t深度学习模型进行短期交通速度预测，这是一种结合卷积神经网络（CNN）和长短期记忆（LSTM）模型的框架。采用深度CNN模型来学习输入图的时空流量模式，然后将其馈送到深度LSTM模型中进行序列学习。为了捕捉流量的季节性变化，一天中的时间和一周中的一天指示符与训练特征相融合。该模型经过端到端的训练，可以预测未来15到90分钟内的行驶速度。我们将模型性能与其他基线模型进行了比较，包括CNN，LGBM，LSTM和传统的速度-流量曲线。实验结果表明，D-CLSTM-t模型的性能明显优于其他模型。模型试验表明，上游的速度也敏感地响应下游发生的突发事故。我们的D-CLSTM-t模型框架还具有高度的可扩展性，可用于未来的扩展，例如网络范围的流量预测，还可以通过添加天气，长期季节性和事故信息等其他功能来改进。
2018-09-08 cs.LG stat.ML
Grey Models for Short-Term Queue Length Predictions for Adaptive Traffic Signal Control
Benedict College（贝尼迪克特学院）；Clemson University（克莱姆森大学）
城市信号交叉口的交通拥挤严重降低了行程时间的可靠性。自适应信号控制系统（ASCS）是目前最先进的交通信号控制技术，它根据交通信号的模式实时调整信号相位和配时，以减少交通拥挤。实时预测排队长度可以用来调整相位和时间，为不同的运动在一个交叉口与ASCS。预测的准确性根据因素而变化，例如车辆到达率的随机性、一天中的时间、天气和驾驶员特征。此外，准确预测多车道，欠饱和和饱和的交通情况是具有挑战性的。因此，本研究的目的是开发排队长度预测模型的信号交叉口，可以利用ASCS使用四种变化的灰色系统：（i）一阶单变量灰色模型（GM（1，1））;（ii）GM（1，1）与傅立叶误差校正;（iii）灰色Verhulst模型（GVM），（iv）GVM与傅立叶误差校正。GM的功效在于它们促进了快速处理;因为这些模型不需要大量的数据，而人工智能模型则需要大量的数据;并且与统计模型不同，它们能够适应随机变化。我们已经进行了一个案例研究，使用队列长度数据从五个交叉口ASCS校准的道路网络在列克星敦，南卡罗来纳州。将GM模型与线性、非线性时间序列模型和长短期记忆（LSTM）神经网络进行了比较。基于我们的分析，我们发现EGVM降低了最接近的竞争模型的预测误差（即，LSTM和时间序列模型）在预测平均和最大队列长度时，根均方误差分别为40%和42%，平均绝对误差分别为51%和50%。
2019-12-29 cs.AI cs.LG cs.SY
Meta Attentive Graph Convolutional Recurrent Network for Traffic Forecasting
针对现有交通预测方法难以全局捕捉节点特定模式、无法同时建模长短时依赖的问题，提出融合节点特定元模式学习与节点注意力权重生成模块的MAGCRN模型，在6个真实数据集上的长短时预测性能均优于SOTA基线。
2023-08-28 cs.LG
Time Series Forecasting with Stacked Long Short-Term Memory Networks
Operations Group（运营组）；Toronto Transit Commission（多伦多交通委员会）
长短期记忆（LSTM）网络通常用于捕获时间依赖模式。通过堆叠多层LSTM网络，它可以捕获更复杂的模式。本文探讨了将堆叠LSTM网络应用于时间序列预测领域的有效性，特别是交通量预测。能够更准确地预测交通量可以导致更好的规划，从而大大降低运营成本，提高整体效率。
2020-11-02 cs.LG stat.ML
Short-term Road Traffic Prediction based on Deep Cluster at Large-scale Networks
Beijing University of Posts & Telecommunications（北京邮电大学）；University of Western Ontario（西安大略大学）；University of Waterloo（滑铁卢大学）
短时道路交通量预测是智能交通系统（ITS）的重要模块之一。然而，网络级的STTP仍然是具有挑战性的，由于在建模不同的流量模式和跟踪高维时间序列与低延迟的困难。因此，本文提出了一种结合深度聚类（DeepCluster）模块的大规模网络STTP框架。提出了DeepCluster模块，以可视化的方式从大型未标记数据集中监督表示学习。更具体地，为了充分利用流量周期性，原始序列首先被分成多个子序列以用于三元组生成。利用具有三重丢失的卷积神经网络（CNN），通过将序列转换为视觉图像来提取形状特征。基于形状的表示，然后用于道路段聚类。此后，受组中的路段具有相似模式的事实的激励，进一步提出了模型共享策略，以通过基于组的模型（GM）而不是基于个体的模型（IM）来构建基于递归神经网络（RNN）的预测，在基于个体的模型（IM）中，一个模型专门针对一条道路构建。我们的框架不仅可以显着减少模型的数量和成本，但也增加了训练数据的数量和样本的多样性。最后，我们在北京六里桥的网络评估所提出的框架。实验结果表明，DeepCluster可以有效地聚类的道路段和GM可以达到相当的性能与IM的模型数量较少。
2019-02-25 cs.LG stat.ML
