｛“状态”：“正常”，“消息类型”：“工作”，“消息版本”：“1.0.0”，“消息”：｛“索引”：｛“日期部分”：[[2024,7,4]]，“日期-时间”：“2024-07-04T05:17:38Z”，“时间戳”：1720070258342｝，“引用计数”：63，“发布者”：“爱思唯尔BV”，“许可证”：[｛“开始”：｛“日期部分”：[[2023,11,1]]，“日期-时间”：“2023-11-01T00:00:00Z”，“时间戳”：1698796800000｝，“内容版本“：“tdm”，“delay-in-days”：0，“URL”：“https:\/\/www.elsevier.com/tdm\/userlicense\/1.0\/”}，{“start”：{“date-parts”：[[2023,11,1]]，“date-time”：“2023-11-01T00:00:00Z”，“timestamp”：1698796800000}，“content-version”：“tdm”，“delay-in-days”：“0”，“URL“https:\\/www.else vier.com/legal\/tdmrep-li-liyes”许可证“}，{“开始”：{“日期-部分”：[[2023,11,1]]，“日期-时间”：“2023-11-01T00:00:00Z”，“timestamp”：1698796800000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-017”}，{“start”：{“date-parts”：[[2023,11,1]]，“date-time”：“2023-11-01T00:00”，“时间戳”：16987 9680000}，：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-037”}，{“start”用法：{“date-parts”：[[2023,11,1]]，“date-time”：“2023-11-01T00:00:00Z”，“timestamp”：1698796800000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-012”}，{“start”：{（日期部分）：[[2023,11,1]，“日期-时间”：“2043-11-01T1T00:00Z”，”timestamp“169879680000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“https:\/\/doi.org\/10.15223\/policy-029”}，{“start”：{“date-parts”：[[2023,11,1]]，“date-time”：“2023-11-01T00:00:00Z”，“timestamp”：1698796800000}，“content-version”：“stm-asf”，“delay-in-days”：0，“URL”：“http:\/\/doi.org\/10.15223\/policy-004”}]，“funder”：[{“doi”：“10.13039\/100015165“，”name“：”美国运输部UTC计划“，”doi-asserted-by“：“publisher”}，{“DOI”：“10.13039\/100016551”，“name”：“密苏里科技大学大学交通中心”，“DOI-asserted-by”：“publister”}，“crossmark-restriction”：true}，“short-container-title”：[“Information Fusion”]，“published-print”：{“date-parts”：[[2023,11]]}，”DOI“：”10.1016\/j.inffus.2023.101837“，”type“：”journal-article“，”created“：{”date-part“：[2023,5,24]]，”date-time“：”2023-05-24T16:00:57Z“，”timestamp“：1684944057000}”，“page”：“101837”，“update-poli”cy“：“http://\/dx.doi.org\/10.1016\/elsevier_cm_policy”，“source”：“Crossref”、“is-referenced-by-count”：5，“title”：[“将交通科学与表征学习相结合，用于城市网络拥塞预测”]，“prefix”：“10.1016”，“volume”：：“99”，“author”：[{“given”：”Wenqing“，“family”：“Zheng”，“sequence”：“first”，“affiliation”：[]}，{“ORCID”：“http://\/orcid.org\/00000-0001-6431-8956”，“authenticated-orcid”：false，“given”：“Hao（Frank）”，“family”：“Yang”，“sequence”：“additional”，“affiliation”：[]}，{“给定”：“Jiarui”，“家庭”：“Cai”，“序列”：“additional”、“affidiation”：[]}“，”family“：”Jiang“，”sequence“：“additional”，“affiliation”：[]}，{“given”：“Simon Shaolei”，“family”：“Du”，“sequence”：“additive”，“filiation“：[]{”given“：”银海“，”family“：”王“，”sequence“：”additional“，”affiliance“：[]}，“givent”：“Zhangyang”，“家族”：“Wang”，“序列”：“additional”、“affidiation”：[]}]，“member”：“78”，“reference”：[{“issue”：“1”，“键“：”10.1016\/j.inffus.2023.101837_b1“，“doi-asserted-by”：“crossref”，“first page”：“4”，“doi”：“10.1109 \/MITS.2019.2953562”，“article-title”：“多连接和自动化车辆合作纵向运动控制的调查”，“volume”：”12“，“author”：“Wang”，“year”：“2019”，“journal-title“：”IEEE Intell.Transp.Syst.Mag.“}，{”key“10.1016 \/j.inffus.2023.101837_b2“，“doi-asserted-by”：“crossref”，“doi”：“10.1016\/j.tre.2021.102487”，“article-title”：“一种用于操作大规模骑乘资源系统的分布式算法”，“volume”：“156”，”author“：”Zhang“，”year“：”2021“，”journal-title“：”Transp.Res.E“}，{“issue”：“3”，“key”：2186英寸，“doi”：“10.1109\/TVCG.2019.2940580”，“article-title”：“交通拥堵的视觉原因分析”，“volume”：“27”，“author”：“Pi”，“year”：“2019”，“journal-title“：”IEEE Trans.Vis.Compute.Graphics“}，{“key”：”10.1016\/j.inffus.2023.101837_b4“，”doi-asserted-by“：”crossref“，”doi“：”10.1109\/TKDE.2020.3001195“：“用于交通预测的现代深层神经网络调查：趋势、方法和挑战”，“作者”：“Tedjopurnomo”，“年份”：“2020年”，“期刊标题”：“IEEE Trans.Knowl.Data Eng.”}，{“key”：“10.1016\/j.inffus.2023.101837_b5”，“doi-asserted-by”：“crossref”，“doi”：“101016\/j.trc.2021.103432”，“article-title”：“深度学习在拥塞检测、预测和缓解中的应用：调查”，“卷”：“133”，“作者”：“Kumar”，“年份”：“2021”，“期刊标题”：“Transp.Res.C”}，{“问题”：“4”，“关键”：“10.1016\/j.inffus.2023.101837_b6”，“doi-asserted-by”：“crossref”，《首页》：“467”，“doi”：“101037\/0021-9010.63.4.467”：“交通拥堵、A类行为和压力”，“数量”：“63”，“作者”：“斯托科尔斯”，“年份”：“1978年”，“新闻标题”：“J.Appl.Psychol.”}，{“关键”：“10.1016\/J.inffus.2023.101837_b7”，“doi-asserted-by”：“crossref”，“首页”：“187”，”doi“10.1016 \/J.trc.2015.03.014”，“文章标题”：“使用远程微波传感器数据进行交通速度预测的长短记忆神经网络”，“卷”：“54”，“作者”：“马”，“年份”：“2015年”，“日志标题”：“交通研究中心”}，{“问题”：“11”，“关键”：“10.1016\/j.inffus.2023.101837_b8”，“doi-asserted-by”：“crossref”，“首页”：“4883”，“doi”：“101109\/TITS.2019.2950416”，“文章标题”：“交通图卷积递归神经网络：网络级交通学习和预测的深度学习框架”，“卷”：“21”，“作者”：“崔”，“年份”：“2019”，“期刊标题”：“IEEE Trans.Intell.Trans.Syst.”}，{“key”：“10.1016\/j.inffus.2023.101837_b9”，《series-title》：“2018 IEEE智能车辆研讨会”，“首页”：“1672”，“article-title”：“通过lstm编解码器架构对车辆轨迹进行序列预测”，“author”：“Park”，“year”：“2018”}，{“key”：“10.1016\/j.inffus.2023.101837_b10”，“series-title”：《2019年IEEE第20届移动数据管理国际会议》，“first page”：《298》，“artice-title“：“基于时空传播模式的交通拥堵预测”，“author”：“Di”，“year”：“2019”}，{“key”：“10.1016\/j.inffus.2023.101837_b11”，“doi-asserted-by”：“crossref”，”first page“：”147“，”doi“：”10.1016\/j.neucom.2020.08.075“，”article-title“PrePCT：具有相对位置拥堵张量的智能城市交通拥堵预计”，“volume”：“444”，“author”：“Bai”，“year”：“2021”，“journal-title”：“Neurocomputing”}，{“key”：”10.1016\/j.inffus.2023.101837_b12“，“series-title”：”2018 IEEE Intelligent Vehicles Symposium“，”first page“1496”，“article-title“：”通过深度学习进行交通场景预测：引入多通道占用网格图作为场景表示”，“author”：“Jeon”，“year”：“2018”}，{“key”：“10.1016\/j.inffus.2023.101837_b13”，“doi-asserted-by”：“crossref”，“unstructured”：“C.Zheng，X.Fan，C.Wang，j.Qi，Gman：用于流量预测的图形多关注网络，收录于：《AAAI人工智能会议论文集》，第34卷，第01期，2020年，第1234\u20131241页。”，“doi”：“10.1609\/aaai.v34i01.5477”}，{“key”：“10.1016\/j.inffus.2023.101837_b14”，“doi-asserted-by”：“crossref”，“unstructured”：“S.Guo，Y.Lin，N.Feng，C.Song，H。Wan，用于交通流预测的基于注意的时空图卷积网络，收录于：《AAAI人工智能会议论文集》，第33卷，第01期，2019年，第922\u2013929页。“，“DOI”：“10.1609”，{“key”：“101016”，“j.inffus.2023.101837_b15”，“article-title”：“交通预测时空图形数据的学习动态和异质性”，“作者”：“郭”，“年份”：“2021年”，“新闻标题”：“IEEE Trans。知识。Data Eng.“}，{“key”：“10.1016\/j.infus.2023101837_b16”，“doi断言者”：“crossref”，“doi”：“10.1016\/j.trc.2020.102671”，“文章标题”：“带缺失数据的流量预测的图马尔可夫网络”，“卷”：“117”，“作者”：“Cui”，“年份”：“2020”，“期刊标题”：“Transp.Res.C”}，{“key”：“10.1016\/j.infus.2023101837_b17”，“文章标题”：“你会开多快？深度神经网络预测定制路径的速度”，“作者”：“杨”，“年份”：“2021年”，“新闻标题”：“IEEE Trans。智力。运输。系统。“｝，｛”key“：”10.1016\/j.infus.2023101837_b18“，”doi断言“：”crossref“，”doi“：”10.1016\/j.trc.2020.102620“，”文章标题“：”将流量作为图学习：用于网络规模流量预测的门控图小波递归神经网络“，”volume“：”115“，”author“：”Cui“，”year“：”2020“，”期刊标题“：”Transp.Res.C“｝，｛”issue“：”2“，”key“：”10.1016\/j.inffus.2023.101837_b19“，”doi-asserted-by“：”crossref“，”first page“：”93“，”doi“：”10.1109\/MITS.2018.2806634“，”article-title“：”道路交通预测：最新进展和新挑战“，”volume“：“10”，“author”：“Lana”，“year”：“2018”，“journal-title”：“IEEE Intell”。运输。系统。Mag.“}，{”key“：”10.1016\/j.inffus.2023.101837_b20“，”doi-asserted-by“：”crossref“，”first page“：“148”，“doi”：“10.1016\/j.pmcj.2018.07.004”，“article-title”：“智能城市交通预测调查”，“volume”：“50”，“author”：“Nagy”，“year”：“2018”，“journal-title“：”Pervasive Mob.Compute.“}”，{“issue”：“10”，“key”：“10.1016\/j.inffus.2023.101837_b21”，“doi-asserted-by“：”crossref“，”first page“：”3913“，”doi“：”10.1109\/TITS.2019.2906365“，”article-title“：”Deep spatial\u2013temporal 3D卷积神经网络用于交通数据预测“，”volume“：“20”，”author“：”Guo“，”year“：”2019“，”journal-title:“IEEE Trans。智力。运输。系统。“}，{”key“：”10.1016\/j.inffus.2023.101837_b22“，”article-title“：”延迟传播变换器：“面向网络物理系统实际控制的通用计算引擎”，“volume”：“34”，“author”：“Zheng”，“year”：“2021”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，“{”key“：具有卷积和图神经网络的可伸缩感知-动作-通信回路”，“作者”：“胡”，“年份”：“2021年”，“期刊标题”：“IEEE Trans。信号信息处理。超过净值。“}，{”issue“：”3“，”key“：”10.1016\/j.inffus.2023.101837_b24“，”首页“：”30“，”article-title“：”交通拥堵与可靠性：与运营联系：第2部分：运营策略“，”volume“：“76”，”author“：”Taylor“，”year“：”2006“，”journal-title”：“Inst.Transp.Eng.ITE j.”}，”{“issue”：“1”，“key”：“10.1016\/j.inffus.2023.10187_b25”，“doi-asserted-by“：”crossref“，”first page“：”59“，”doi“：”10.1109\/TITS.2018.2886699“，”article-title“：”通过联网车辆合作评估城市交通拥堵原因“，”volume“：“21”，”author“：”Al Mallah“，”year“：”2019“，“journal-title”：“IEEE Trans。智力。运输。系统。“}，{”key“：”10.1016\/j.inffus.2023.101837_b26“，”series-title“：”交通拥堵和可靠性：缓解拥堵的趋势和高级策略“，”author“：”Systematics“，”year“：”2005“}”，{“key”：“10.1016\/j.inffus.2023.101837_b27”，“article-title”：“您所需的全部注意”，“volume”：”30“，”“author”：“Vaswani”，“year”：“2017”，“journal title”：”Advv。神经信息处理。系统。“}，{”key“：”10.1016\/j.inffus.2023.101837_b28“，”series-title“：”机器学习国际会议“，”首页“：”11307“，”article-title“：“生成视频转换器：对象可以是单词吗？”，“author”：“Wu”，“year”：“2021”}，“{”密钥“：”101016\/j.inffes.2023.10837_b29“，”非结构化“：”j.Devlin，M.-W.Chang，K.Lee，K。Toutanova，BERT：语言理解深度双向变形金刚的预训练，摘自：计算语言学协会北美分会2019年会议记录：人类语言技术，第1卷（长篇和短篇论文），2019年，第4171\u20134186页。“}，{“key”：“10.1016\/j.inffus.2023.101837_b30”series-title“：“机器学习国际会议”，“首页”：“8748”，“article-title”：“从自然语言监督中学习可转换的视觉模型”，“author”：“Radford”，“year”：“2021”}，{“key”：“10.1016\/j.inffus.2023.101837_b31”，“article-title”：“视觉变换器调查”，“author”:“Han”，“year”:“2022”，“journal-title:”IEEE传输。模式分析。机器。智力。“}，{”key“：”10.1016\/j.inffus.2023.101837_b32“，”首页“：”15908“，”article-title“：”Transformer“，”volume“：“34”，“author”：“Han”，“year”：“2021”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，”{“年份”：“2021”}，{“key”：“10.1016\/j.inffus.2023.101837_b34”，“unstructured”：“P.Wang，W.Zheng，T.Chen，Z.Wang，《通过傅里叶域分析实现深度视觉变换器的反过平滑：从理论到实践》，in：国际学习表征会议，2021.”}，{：“Graph transformer networks”，“volume”：“32”，“author”：“Yun”，“year”：“2019”，“journal-title”：“Adv.Neural Inf.Process.Syst.”}，{“key”：《10.1016\/j.inffus.2023.101837_b36》，“doi-asserted-by”：“crossref”，《unstructured》：“Z.Hu，Y.Dong，K.Wang，Y.Sun，《异构图形转换器》，in：《2020年网络会议论文集》，2020年，第2704\u20132710页。”，“DOI”：“10.1145\/3366423.3380027”}，{“key”：“101016\/j.inffus.2023.101837_b37”，“DOI-asserted-by”：“crossref”，“unstructured”：“D.Cai，W.Lam，图到序列学习的图变换器，摘自：《AAAI人工智能会议论文集》，第34卷，第05期，2020年，第7464\u20137471页。”：“10.1016\/j.inffus.2023.101837_b38”，“doi-asserted-by”：“crossref”，“unstructured”：“Y.Yuan，X.Weng，Y.Ou，K.M.Kitani，Agentformer:Agent-aware transformers for social-temporal multi-Agent forecasting，in：《IEEE计算机视觉国际会议论文集》，2021年，第9813\u20139823页。”，“doi”：“10.1109\/ICCV48922.2021.00967”}，{“key”：“10.1016\/j.inffus.2023.101837_b39”，“unstructured”：“j.P.Inala等人，《多智能体通信的神经符号变换器》，摘自：《第34届神经信息处理系统国际会议论文集》，2020年，第13597\u201313608页。”}，{“key”：《10.1016 \/j.inffus.2023.10187_b40》，“doi-asserted-by”：“crossref”，“first page”：“48”，“DOI”：“10.1016\/j.neucom.2021.03.091”，“article-title”：“深度学习注意机制综述”，“volume”：“452”，“author”：“Niu”，“year”：“2021”，“journal-title“：”Neurocomputing“}，{“key”：”10.1016\/j.inffus.2023.101837_b41“，”first page“1877”，“article-titel”：“语言模型是最热门的学习者”，“volume”:“33”，“author”：“棕色”，“年份”：“2020”，“journal-title”：“高级神经信息处理系统”}，{“问题”：“6”，“关键”：“10.1016\/j.inffus.2023.101837_b42”，“doi-asserted-by”：“crossref”，“首页”：“422”，“doi”：“101038\/s42254-021-00314-5”，“文章标题”：“物理信息机器学习”，“卷”：“3”，“作者”：“Karniadakis”，“年份”：“2021”，“日记title“：”Nat.Rev.Phys.“}，{”问题“：”3“，“key”：“10.1016\/j.inffus.2023.101837_b43”，“doi-asserted-by”：“crossref”，“首页”：“736”，“doi”：“101111\/tgis.12644”，“article-title”：“Traffic transformer:Capturing the continuity and periodicity of time series for Traffic forecasting”，“volument”：“24”，“author”：“Cai”，“year”：“2020”，“journal title”：”“Trans.GIS”}，{“issue”：“1”，“key”：“10.1016\/j.inffus.2023.101837_b44”，“doi-asserted-by”：“crossref”，“doi”：“10.106\/j.ipm.2019.102139”，《文章标题》：“SNSJam:通过融合来自多个社交网络的数据进行道路交通分析和预测”，“数量”：“57”，“作者”：“Alkouz”，“年份”：“2020”，“日志标题”：“Inf.Process.Manage.”}，{“关键字”：“1016\/j.inffus.2023.10187_b45”，“series-title”：“用递归神经网络生成序列”，“author”：“Graves”，“year”：“2013”}，{“key”：“10.1016\/j.inffus.2023.101837_b46”，“unstructured”：“M.Welling，T.N.Kipf，图卷积网络半监督分类，收录于：j.International Conference on Learning Representations，ICLR 20172016。”}、{“key”：“10.1016\/j.inffus.2023.101837_b47”，“article-title”：“通过属性表示学习实现实时智能停车数据管理和预测（SPDMP）系统”，“author”：“Yang”，“year”：“2021”，“journal-title“：”Int.j.Intell.Syst.“}，{“key”：“10.116\/j.inffus.2023.10187_b48”，“doi-asserted-by”：“crossref”，“doi”：“0.1016\/j.eswa.2021.115738”，“article-title”：“TrafficBERT：使用大规模数据进行长距离交通流预测的预训练模型”，“volume”：“186”，“author”：“Jin”，“year”：“2021”，“journal-title“：”Expert Syst.Appl.“}，{“key”：”10.1016\/j.inffus.2023.101837_b49“，”doi-asserted-by“：”crossref“，”first page“639”，“doi”：“10.1016\/j.physa.2017.10.006”，“article-title”：“更好地理解交通流时间序列的长期时间相关性”，“量”：“492”，“作者”：“冯”，“年份”：“2018年”，“期刊标题”：“Physica A”}，{“关键”：“10.1016\/j.inffus.2023.101837_b50”，“doi-asserted-by”：“crossref”，《首页》：“42”，“doi”：“101016\/j.neucom.2020.11.038”，“article-title”：“用于流量预测的多阶段注意时空图形网络”，“卷”：“428”，“作者”：“尹”，”年“：“2021”，“日志标题”：“神经计算”}，{“键”：“10.1016\/j.inffus.2023.101837_b51”，“series-title”：“动态递归神经网络现场指南”，“article-title”：“递归网络中的梯度流：学习长期依赖关系的困难”，“author”：“Hochreiter”，“year”：“2001”}，{“key”：“10.1016\/j.inffus.2023.101837_b52”，“series-title”：“2017年第九届无线通信和信号处理国际会议”，“first page”：”1“article-title”：”Conv-LSTM短期流量预测“，“作者”：“刘”，“年份”：“2017”}，{“密钥”：“10.1016\/j.infus.2023101837_b53”，“系列标题”：“使用基于UNet的深度卷积神经网络进行交通图预测”，“作者”：“Choi”，“年份”：“2019”}，{“密钥”：“10.1016\/j.infus.2023101837_b54”，“非结构化”：“A。Dosovitskiy等人，《图像值16x16个单词：大规模图像识别的变形金刚》，in：国际学习表征会议，2020年。“}，{“key”：“10.1016\/j.inffus.2023.101837_b55”，“doi-asserted-by”：“crossref”，“unstructured”：“A。Arnab，et al.，Vivit:视频视觉转换器，收录于：IEEE计算机视觉国际会议论文集，2021年，第6836\u20136846页。“，”DOI“：”10.1109\/ICCV48922.2021.00676“}，{“key”：“10.1016\/j.inffus.2023.101837_b56”，“DOI-asserted-by”：“crossref”，“unstructured”：“Z。Liu，et al.，Swin transformer:Hierarchical vision transformer using shifted windows，in：《IEEE计算机视觉国际会议论文集》，2021，pp.10012\u201310022.“，”DOI“：”10.1109\/ICCV48922.2021.00986“}，{“key”：“10.1016\/j.inffus.2023.101837_b57”，“series-title”：“2020 IEEE国际数据挖掘会议”，“首页”：“954”，“文章标题”：“Tssrgcn:用于交通流预测的时间-频谱-空间检索图卷积网络”，“作者”：“Chen”，“年份”：“2020”}，{“密钥”：“10.1016\/j.infus.2023101837_b58”，“非结构化”：“L.Bai，L.Yao，C.Li，X.Wang，C。Wang，交通预测的自适应图卷积递归网络，in：第34届神经信息处理系统会议，2020年。“}，{”key“：”10.1016\/j.inffus.2023.101837_b59“，”unstructured“：”U.Alon，E。Yahav，On the Bottneck of Graph Neural Networks and its Practical Implications，in：International Conference On Learning Representations，2020。”}，{“key”：“10.1016\/j.inffus.2023.101837_b60”，“unstructured”：“K.Oono，T。铃木（Suzuki），图神经网络（Graph neural networks）在节点分类方面呈指数级丧失表达能力，见：《2020年国际学习表征会议》（International Conference on Learning Representations，2020）。“}，{”key“：”10.1016\/j.inffus.2023.101837_b61“，”doi-asserted-by“：”crossref“，”unstructured“：”Q.Li，Z.Han，X.-M。Wu，《对用于半监督学习的图卷积网络的更深理解》，载于：2018年第三十二届AAAI人工智能会议。“，”DOI“：”10.1609\/AAAI.v32i1.11604“}，{“key”：“10.1016\/j.inffus.2023.101837_b62”，“series-title”：“Reviting graph neural networks:All we have is low-pass filters”，“author”：“NT”，“year”：“2019”}key“：”10.1016\/j.inffus.2023.101837_b63“，”unstructured“：”W.Zheng，et al.，Cold Brew:提取邻域不完整或缺失的图节点表示，in：国际学习表示会议，2021.“}]，”container-title“：[”Information Fusion“]，”original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1566253523001537？httpAccept=text\/xml“，”content-type“：”text\/.xml“，”content-version“：”vor“，”intended-application“：”text-mining“}，{“URL”：“https:\/\/api.elsevier.com/content\/article\/PII:S1566253523001537？httpAccept1=text\/plain“，”内容类型“：”文本\/plaine“，”content-version”：“vor”，“intended-epplication”：“text-mining”}]，“存放”：{“日期部分”：[[2024,5,24]]，“date-time“：”2024-05-24T16:49:00Z“，”timestamp“：1716569340000}，”score“：1，”resource“：{主要”：{“URL”：“https:\/\/linkinghub.elsevier.com/retrieve\/pii\/S1566253523001537”}}，“subtitle”：[]，“shorttitle”：[]，“issued”：{“date-parts”：[2023,11]]}，《references-count》：63，“alternative-id”：[“S156625352300”7“]，”URL“：”http:\/\/dx.doi.org/10.1016\/j.infus.2023101837“，”关系“：｛｝，”ISSN“：[”1566-2535“]，”ISSN类型“：[｛”value“：”1566-2535“，”type“：”print“｝]，”subject“：[]，”published“：｛”date parts“：[[2023,11]]｝，”assertion“：[｛”value“：”Elsevier“，”name“：”publisher“，”label“：”本文由“｝”维护，｛”value“：”将交通科学与表征学习相结合，用于城市网络拥塞预测“，”name“：”articletitle“，”label“：”Article Title“}，”{“value”：“Information Fusion”，“name”：“journaltitle”，“label”：“Journal Title”}，{“value”：“https:\\/doi.org\/101016\/j.inffus.2023.101837”，“name”：“articlelink”，“标签”：“”CrossRef DOI链接到出版商维护的版本“}，{“value”：“article”，“name”：“content_type”，“label”：“content-type”}，}“values”：“\u00a9 2023 Elsevier B.V.保留所有权利。”，“名称”：“版权”，“标签”：“copyright”}]，“文章编号”：“101837”}