本文提出了一种基于图神经网络和注意力机制的乘客 OD 流量预测框架，通过捕获不同位置出发的请求之间的各种线性和非线性依赖关系以及该地点的重复模式和上下文数据，预测乘客的 OD 流量，同时确定覆盖道路网络的网格单元的最佳大小，得到较优的预测效果。

Jan, 2023

本文提出了一种利用深度学习方法推断 OD 序列结构的方法，并使用结构约束引导传统数值优化，以解决 OD 矩阵估计中存在的欠定问题和滞后问题。实验证明，提供的结构信息不仅包含对 OD 矩阵的空间结构的约束，而且还提供了对 OD 序列的时间结构的约束，能够较好地解决滞后问题。

Jul, 2023

通过深度学习和数值优化算法相结合的方法，本研究利用神经网络从探测交通流中推断出基于结构的约束，消除了对先前信息的依赖，提供了实时性能，并且在工程上具有经济性。通过测试，在大规模的合成数据集上展示了我们方法的良好泛化能力，并在真实交通数据上验证了我们方法的稳定性，实验证实了结合神经网络和数值优化的优势。

Oct, 2023

本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

May, 2023

本文提出了一种名为 “ODGN” 的新型数学建模方法，它采用物理学与机器学习的结合，包括 Multi-view 图形注意网络和 gravity-guided 预测器等技术，用于更好地建模人口流动分布，并通过真实数据的实验验证了其与基准算法相比的优越性。

Jun, 2023

通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

Jun, 2023

本文提出了一种基于深度学习的新模型 ST-ED-RMGC，用于准确预测不同 OD 对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。

Oct, 2019

本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

Dec, 2023

本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

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