Accurate short-time traffic flow prediction has gained gradually increasing importance for traffic plan and management with the deployment of intelligent transportation systems (ITSs). However, the existing approaches for short-term traffic flow prediction are unable to efficiently capture the complex nonlinearity of traffic flow, which provide unsatisfactory prediction accuracy. In this paper, we propose a deep learning based model which uses hybrid and multiple-layer architectures to automatically extract inherent features of traffic flow data. Firstly, built on the convolutional neural network (CNN) and the long short-term memory (LSTM) network, we develop an attention-based Conv-LSTM module to extract the spatial and short-term temporal features. The attention mechanism is properly designed to distinguish the importance of flow sequences at different times by automatically assigning different weights. Secondly, to further explore long-term temporal features, we propose a bidirectional LSTM (Bi-LSTM) module to extract daily and weekly periodic features so as to capture variance tendency of the traffic flow from both previous and posterior directions. Finally, extensive experimental results are presented to show that the proposed model combining the attention Conv-LSTM and Bi-LSTM achieves better prediction performance compared with other existing approaches.

Cell-free networks and reconfigurable intelligent surfaces (RIS) are two promising techniques for future wireless communications. The integration of RIS into cell-free networks, termed RIS-aided cell-free networks, offers the potential to significantly enhance network performance. However, the realization of this potential is constrained by the limited capacities of the fronthaul links. To address this challenge, we investigate the joint design of access point (AP) clustering, transmit and passive beamforming in RIS-aided cell-free networks. The objective is to maximize the weighted sum-rate performance while minimizing the number of clustered APs to alleviate the fronthaul overhead. The problem is formulated in a group sparse manner, employing a mixed zero-norm/two-norm term to represent the number of the clustered APs. To solve this problem, we first approximate the mixed zero-norm/two-norm term by the mixed one-norm/two-norm term and provide its equivalent formulation by introducing receive beamforming vectors and weight parameters. Then, an iterative method is proposed based on the block coordinate descent (BCD) technique, which is guaranteed to converge to a stationary point. Simulation results demonstrate the effectiveness of the proposed method.

Abstract The flexible control of electromagnetic (EM) waves across the entire spatial domain is a long‐standing aspiration in metasurface research, driven by its potential to enhance signal coverage and channel capacity. However, most existing full‐space metasurfaces are restricted to manipulating incidence within one specific half‐space, failing to exploit the EM potential across the entire space. This paper introduces a novel bidirectional transmission‐reflection‐integrated metasurface (BTRIM) for simultaneous and independent control of full‐space incident waves. By dynamically adjusting diode states, the BTRIM can switch among simultaneous and independent forward/backward reflection, forward transmission‐reflection (TR), and backward TR functions, each with an independent 1‐bit phase response. The core innovation lies in integrating transmission and reflection within a single structure, enabling the metasurface to function at the same frequency and polarization within a compact design. Simulations and experimental validation are conducted to demonstrate BTRIM's ability to implement various wave functions and enhance signal intensity for users in both indoor and outdoor environments. The agreement between simulation and experimental results validates the BTRIM's capacity to simultaneously and independently regulate EM waves from all spatial directions, offering new insights into full‐space wave manipulation. This breakthrough creates opportunities for applications in EM sensing, channel enhancement, and next‐generation communication systems.