该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

Jan, 2024

本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

Dec, 2020

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017

本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

Sep, 2018

本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测，该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷，还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系，并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性，实验结果表明，与其他交通预测技术相比，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

May, 2022

本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

Jun, 2022

本文提出了一种分离式训练方法，利用 GraphLASSO 算法生成稀疏图结构，使用 Graph Convolutional Recurrent Network 模型进行多元时间序列预测，实验结果表明，该方法可以在保证模型性能的同时，生成稀疏，有意义且易于解释的图结构，并且训练时间减少了约 40%。

Jun, 2023

本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

Mar, 2021

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021