交通预见未来 (5)基于深度学习的短时道路交通流预测1、文章信息《Short-Term Traffic Flow Prediction with Conv-LSTM》。这篇文章是一篇会议论文，2017第九届无线通信与信号处理国际会议(WCSP)，福州大学物理与信息工程学院的几位老师，被引10次。2、主体内容本文提出了一种基于深度学习的短时交通流预测方法。交通流数据包含三个主...

虽然文本提供了上下文理解，但它通常缺乏细粒度的时间细节。与此相反，将时间序列数据转化为视觉表示，例如通过格拉门角场（GAF）或复发图，能够使模型识别和利用潜在的视觉模式，从而促进使用图像化特征学习技术（例如，卷积神经网络，CNN）提取复杂的时间关系（图1，左）。TAL模块为输入时间序列提供上下文文本表示，包括预定义（例如描述性任务）或动态生成的文本，灵活适应各种场景对于动态生成的提示，TAL提取时

导读论文题目《Semantic understanding and prompt engineering for large-scale traffic data imputation》该论文于2023年发表于《Information Fusion》（影响因子：18.6），介绍了一种基于语义理解和提示工程的大规模交通数据补全模型。该模型结合了大语言模型（Large Language Model，L

论文题目为《Enhancing Time Series Forecasting via Multi-Level Text Alignment with LLMs》，是一篇基于大模型的时序预测领域论文，文中提出了一种面向时间序列预测的新型多层级文本对齐框架（Multi-level Text Alignment for Time Series, MTATS），通过将趋势、季节性和残差组件分解后重新映射

文章信息论文题目为《TimeCMA: Towards LLM-Empowered Multivariate Time Series Forecasting via Cross-Modality Alignment》，论文提出了一种基于大语言模型的时间预测框架，通过模态对齐的方式实现使用LLM进行预测，并提出使用最后一个token进行解码的方法降低计算成本。摘要多变量时间序列预测（MTSF）旨在学习

该框架通过实现车辆与智能基础设施的实时通信，支持系统级的协同感知，融合多种策略（如早期、中期和后期感知融合）以及协调的规划与控制。同时，CDA.AI 实现了与大规模视觉-语言模型（VLM）和“视觉-语言-动作”（VLA）系统的闭环集成，从而增强了系统的推理能力并将更高层次的智能注入 CDA 的感知与决策流程中。在识别当前基于 LLM 的交通研究方案存在的问题基础上，此综述进一步描绘了未来研究的发展

1.文章信息本次介绍的文章是2022年发表在IEEE Open Journal of Intelligent Transportation Systems的一篇名为《Physics-Informed Deep Learning for Traffic State Estimation: Illustrations With LWR and CTM Models》的文章，该文章应用物理信息深度学习方

1 文章信息《A Deep Learning Model with Conv-LSTM Networks for Subway Passenger Congestion Delay Pre...

1 文章信息COOPERATIVE MULTI-GOAL MULTI-STAGE MULTI-AGENT REINFORCEMENT LEARNING。这是佐治亚理工学院发表在计算机顶级会...

通过在不同稀疏数据情境下进行大量的实验研究，利用美国101高速公路的NGSIM数据，深入探讨了PIDL方法在不同交通流场景中的应用，结果验证了该模型的高效性和精确度。本文的研究不仅探讨了数据稀疏性对交通状态估计的影响，还通过应用PIDL方法取得了显著的成果，具有重要的实际意义，特别是在实际交通流控制和管理中的应用。通过该方法的研究和应用，我们可以更好地理解数据驱动方法和模型驱动方法的优势与劣势，以