提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

Jan, 2024

本文提出了一种新颖的图卷积网络模型 ——Multi-Weight Traffic Graph Convolutional (MW-TGC) 网络，并将其应用于两种具有对比几何约束性质的城市网络中，成功地学习了特征间的依赖关系，并通过序列到序列模型和长短期记忆单元实现了时空信息的深度挖掘，在交通预测中表现出了更优秀的性能。

Sep, 2019

交通预测是智能交通系统中的一个基本问题。本文提出了一种名为 Meta Attentive Graph Convolutional Recurrent Network（MAGCRN）的新型交通预测模型，该模型能够捕捉全局节点特定模式和短期与长期依赖关系，实验证明其在短期和长期预测上均优于现有模型。

Aug, 2023

本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

Feb, 2023

提出了一种基于小波图卷积循环网络的多尺度分析方法和深度学习方法相结合的 Traffic 预测模型，能够准确捕捉交通数据的空间相关性和多尺度结构，并在真实交通数据集上展现出具有解释性、强大的学习能力和竞争性的预测性能。

Jan, 2024

该论文提出了一种新颖的自适应图卷积网络（AGC-net），通过自适应图卷积（AGC）和一种上下文关注机制，将空间图表达转换为实时特征，考虑到时间上下文，在公共交通数据集上展现了其明显的优于基础模型的有效性。

Jul, 2023

本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

Jul, 2020

提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络，用于改善高速公路交通中的交通流量预测，通过注意力机制有效地整合了三种时间分辨率的数据序列，动态创建多动态图以结合动态特征，引入专注于高相关节点的门控核以减少图卷积操作的过拟合，实验证明该方法优于现有技术基线。

Sep, 2023

本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

May, 2019

通过学习交通网络图形并提出一种新的深度学习框架，Traffic Graph Convolutional Long Short-Term Memory Neural Network（TGC-LSTM），我们可以更好地进行交通预测，从而在两个真实的交通状态数据集上优于基准方法。

Feb, 2018