1.根据前面时间点的交通流量，预测当前时间点的交通流量：小波
2.T-GCN时间图卷积网络模型：时空性
3.利用ConvLSTM模块对相邻区域的短时交通流数据进行处理，提取时空特征;利用双向LSTM对预测点历史交通数据进行处理，提取交通流数据的周期特征。提出了一种无需数据预处理和数据特征提取的端到端深度学习短时交通流预测体系结构。最后，集中时空特征和周期特征对交通流进行预测。
4.LSTM、GRU、SAEs：交通流量预测
T-GCN的TensorFlow实现：用于城市交通流量预测的时间图卷积网络
https://python.ctolib.com/lehaifeng-T-GCN.html
小波神经网络的时间序列预测-短时交通流量预测
https://blog.csdn.net/weizhiyuan37927/article/details/77627904
基于深度学习的短时道路交通流预测
https://blog.csdn.net/zuiyishihefang/article/details/90694131
Python 3 & Keras 实现基于神经网络的交通流预测
https://blog.csdn.net/weixin_33714884/article/details/86937439
道路交通实时流量监控预测系统
https://blog.csdn.net/zhangye19920611/article/details/78759980
