该研究提出了一种基于 IrConv+LSTM 的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022

本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模型，并在 New York City 的一个 Citi Bike 数据集上进行了测试，结果表明 GCNNrec-DDGF 的表现最佳，其次是 GCNNreg-DDGF。此外，通过 DDGF 获得更详细的图网络分析，发现它捕捉了一些嵌入在 SD，DE 和 DC 矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

Dec, 2017

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

Mar, 2023

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

交通流量预测是智能主动交通管理的关键第一步。本研究引入了一种新型的深度学习架构，称为多图卷积神经网络（MGCNN），用于交叉口的转弯动作预测，并通过在时间和空间上建模交通数据的变化来改善预测性能。在实验中，该模型在对比其他四种基准模型的情况下表现出更好的预测结果，平均均方误差（MSE）为 0.9。

Jun, 2024

本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。

Dec, 2020

我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

Mar, 2024

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022