本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

基于长短期特征的 LSTTN 框架通过利用空时图神经网络以及变换器进行时序流量预测，能够有效地学习和提取交通流的复杂趋势和周期特征，实验证明其在长期预测方面相对于基准模型有最大 16.78% 的改进。

Mar, 2024

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023

通过引入一种新型深度时空特征表示方法（动态时空特征）和捕捉交叉点之间动态时空关系的动态时空图变换网络（DST-GTN），该研究在交通预测任务上取得了最先进的性能并展现出增强的稳定性。

Apr, 2024

为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用，我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network（ST-GDN），该框架具有层次结构的图神经架构，不仅可以从局部角度学习区域地理依赖关系，而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络，以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。

Oct, 2021

使用深度学习方法 ST-ResNet，可以应对众多影响人流量的因素，有效预测每个区域内的人流流入和流出情况，提升交通管理与公共安全。实验证明 ST-ResNet 在北京和纽约市的两种不同人流数据中及贵阳市实时系统中均优于传统九种算法。

Jan, 2017

STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

Oct, 2023

本文提出了一种基于深度学习的 ST-ResNet 方法，通过建立时空数据的端到端结构，动态聚合三个残差神经网络的输出，并结合天气、星期等外部因素对城市各个区域的人流量进行预测，其在北京和纽约的人流量预测方面表现优于已有的六种方法。

Oct, 2016

通过深度时空学习方法，在处理交通流量数据不平衡和从长期视角挖掘相关时空特征方面取得了显著改进，实验结果表明该方法在预测准确性方面具有明显优势。

Aug, 2023

传统交通预测基于传感器数据的范围有限，综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案，使用网络活动计数，但缺乏关键的方向性。因此，我们提出了 TeltoMob 数据集，其中包含无向电信计数和相应的方向流，以预测道路上的方向性移动流。为了解决这个问题，我们提出了一个两阶段的时空图神经网络（STGNN）框架。第一阶段使用预训练的 STGNN 处理电信数据，而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性，并证实了其有效性。我们还展示了如何将该框架融入现实交通系统，以增强可持续城市移动性。

May, 2024