城市区域功能引导的交通流预测
Urban Regional Function Guided Traffic Flow Prediction
用“兴趣点（POI）分布”代表每个城市区域的功能属性，当作元数据动态生成预测参数——让模型在不同功能区、不同时段“各用各的交通模式”。
arXiv:2303.09789 · 2023年3月17日（v1） · 中山大学、香港理工大学
基于深度Sedenion（十六元数）网络的交通流预测
Traffic flow prediction using Deep Sedenion Networks
参加 Traffic4cast 2020 竞赛：用 16 维超复数（十六元数）把 12 帧动态交通 + 1 帧静态地图打包成一个整体做卷积，参数省、编码高效，直接预测未来 5~60 分钟的速度与流量。
arXiv:2012.03874 · 2020年12月7日（v1） · 哈利法大学
面向交通流预测的反事实图Transformer
Counterfactual Graph Transformer for Traffic Flow Prediction
让预测模型自己回答“如果把某些路段的连接或某些时刻的数据删掉，预测会不会大变”——用反事实扰动找出真正主导预测的关键子图与关键数据，再用它们重新训练，预测更准也更可解释。
arXiv:2308.00391 · 2023年8月1日（v1） · 中国科学院
面向交通流预测的动态趋势融合模块
Dynamic Trend Fusion Module for Traffic Flow Prediction
不再每步都现算动态图，而是用 Transformer 生成「动态趋势」、与静态路网结构融合，兼顾精度与效率地预测交通流量。
arXiv:2501.10796 · 2025年1月18日（v1） · 机构未标注
未来式智能交通系统（FITS）
Futuristic Intelligent Transportation System
当所有车都自动驾驶、能随时联网上报数据，交通系统就能从「给司机建议」升级为「全局统一调度」——本文畅想了这套未来架构。
arXiv:2105.09493 · 2021年5月20日（v1） · 机构未标注
面向智能交通系统的多模态大语言模型
Multimodal LLM for Intelligent Transportation Systems
别再为每种数据各训一个模型——用一个统一的多模态大语言模型，同时处理时间序列、图像和视频，让智能交通系统更简单、更高效。
arXiv:2412.11683 · 2024年12月16日（v1） · 机构未标注
面向智能交通系统的数字孪生架构（DigIT 平台）
Architecting Digital Twins for Intelligent Transportation Systems
给智能交通系统造一个「数字分身」——用领域概念模型（DCM）+ 机器学习预测 + 自适应 MLOps，模块化、可扩展地管理交通流。
arXiv:2502.17646 · 2025年2月24日（v1） · 机构未标注
破解城市出行：用最优路径裂纹模型评估城市交通韧性
Cracking urban mobility
把城市路网当成一张会「开裂」的网：反复拆除当前最优出行路径上最脆弱的路段，直到整网崩溃——用这个动态过程度量城市出行韧性，并发现波士顿比曼哈顿更脆弱。
arXiv:2008.13644 · 2020年8月31日（v1） · 机构未标注
城市出行中的性别差距：圣地亚哥手机信令数据的大规模量化研究
Gender gaps in urban mobility
用智利圣地亚哥 3 个月、大规模匿名手机用户的通话详单记录（CDR），量化男性和女性出行的差异——发现女性出行更少、到访地点更单一，且差距与低收入、交通设施缺乏相关。
arXiv:1906.09092 · 2019年6月21日（v1） · 博洛尼亚大学、纽约大学
基于大语言模型（LLMs）的城市出行评估
Urban Mobility Assessment Using LLMs
让大语言模型扮演受访者「填」出行日记来合成出行调查数据——用少量真实数据微调后的开源模型 Llama-2，生成结果最接近 2017 年美国 NHTS 真实调查。
arXiv:2409.00063 · 2024年8月22日（v1） · 机构未标注
吞吐最优的分布式交通信号控制
Throughput Optimal Distributed Traffic Signal Control
把通信网络的「背压路由」思想首次搬进信号控制：每个路口只看自己局部的排队长度、独立决定信号配时，却能在数学上证明达到网络最大吞吐（全局最优）。
arXiv:1407.1164 · 2014年7月4日（v1） · 机构未标注
容量感知的背压式交通信号控制
Capacity-aware back-pressure traffic signal control
经典背压控制假设「队列容量无限」，但真实路口排队会满、会溢出堵到上游。本文把压力按容量归一化，保证绿灯不空放（工作守恒）、缓解拥堵传播，还保留可分布式、O(1) 复杂度的优点。
arXiv:1309.6484 · 2013年9月25日（v1） · 机构未标注
诊断强化学习：面向交通信号控制的极简状态与奖励设计（LIT）
Diagnosing Reinforcement Learning for Traffic Signal Control
用 Webster 延误公式等经典交通理论重新审视强化学习：奖励只取「排队长度」、状态只含「车辆数 + 当前相位」，简单反而最强。
arXiv:1905.04716 · 2019年5月12日（v1） · 宾夕法尼亚州立大学
DataLight：离线数据驱动的交通信号控制
DataLight: Offline Data-Driven Traffic Signal Control
在线 RL 要与真实路口大量交互、有安全风险；DataLight 只从现成历史数据里离线学习——用车速信息 + 道路分段 + 自注意力，安全又稳健。
arXiv:2303.10828 · 2023年3月20日（v1） · 机构未标注
FRAP：面向交通信号控制的相位竞争学习
Learning Phase Competition for Traffic Signal Control
与其让模型在 8 相位路口「盲搜」巨大状态空间，不如教它一条常识——冲突时车多的相位先放行；对称场景共享知识后，探索空间从 64×n⁸ 缩到 16×n⁴。
arXiv:1905.04722 · 2019年5月12日（v1） · 宾夕法尼亚州立大学
MetaDG：面向交通流预测的元动态图框架
Meta Dynamic Graph for Traffic Flow Prediction
把「动态」从邻接矩阵扩展到元参数与边权调整矩阵——用节点表示的动态图结构，把时空关联与异质性的建模从「时空分离」推向「时空统一」。
arXiv:2601.10328 · 2026年1月15日（v1） · 机构未标注
城市移动性：复杂系统视角下的城市出行研究导论
Urban Mobility
从复杂系统视角盘点城市移动性研究：数据源、轨迹统计规律、生成与预测模型，再到共享出行、多模式交通与可持续交通的系统级思考。
arXiv:2211.00355 · 2022年11月1日（v1） · 机构未标注
交通信号控制上的协同强化学习（COMMA-DDPG）
Cooperative Reinforcement Learning on Traffic Signal Control
给每个路口一个「本地智能体」、再配一个只训练不部署的「全局智能体」做协调，把信号灯相位时长从固定步长变成秒级动态输出。
arXiv:2205.11291 · 2022年5月23日（v1） · 机构未标注
基于 YOLOv4 与 DeepLabv3 的菲律宾路面病害检测与分割
Pavement Distress Detection and Segmentation using YOLOv4 and DeepLabv3 on Pavements in the Philippines
用两个深度学习模型自动「找」和「圈」出路面的裂缝、坑槽等病害——让菲律宾这类发展中国家告别纯人工路面巡检。
arXiv:2103.06467 · 2021年3月11日（v1） · 机构未标注
学习可解释的交通信号控制策略
Learning an Interpretable Traffic Signal Control Policy
用强化学习训练一个「多项式公式」式的信号控制策略——效果接近深度神经网络，却能让交警看懂、法规管得住，最多减少 19.4% 的车辆延误。
arXiv:1912.11023 · 2019年12月23日（v1） · 机构未标注
网络化移动机器人的容错控制
Fault Tolerant Control for Networked Mobile Robots
在编队机器人网络中放一个「观测者」，用一组线性观测器滤出网络里任何一处出现的单一故障，再让领导者用最优策略补偿——数值仿真和真机实验都验证了。
arXiv:1806.02459 · 2018年6月6日（v1） · 机构未标注
片上网络中的公平分组调度
Fair Packet Scheduling in Network on Chip
多条数据流在片上网络里争抢带宽时，用「相对公平界」衡量公平会压低吞吐量、抬高时延——本文提出一种替代公平性度量来规避该缺陷。
arXiv:1506.00204 · 2015年5月31日（v1） · 机构未标注
城市移动的本土化（本地人与外来者的移动模式差异）
Indigenization of Urban Mobility
用数百万条真实签到数据发现「本地人 vs 外来者」移动模式差异，并提出只依赖行为、不依赖人口统计信息的「本土化系数」——按系数加权组合算法后，位置预测精度不降反升。
arXiv:1405.7769 · 2014年5月30日（v1） · 机构未标注