利用时间图神经网络，提出了一种考虑交互的个性化车辆轨迹预测方法，通过预训练和微调，将个性化的预测结果与通用预测结果进行对比，并证明了个性化模型在较长时间预测范围内的卓越性能。

Aug, 2023

本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

Mar, 2019

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

本研究通过提出 Social-STGCNN 方法，并将交互建模为图形而避免聚合方法的使用，提高人类与自主车辆之间模型交互的时效及准确性，同时提高参数及推理速度，且即使训练数据量减少可仍得出表现优异的结果。

Feb, 2020

本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

Oct, 2022

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

提出了一种名为 Spatio-Temporal Gating-Adjacency GCN (GAGCN) 的运动预测模型，采用门控网络增强了 GCN 对于多种动作类型的推广能力，并通过平衡空间和时间的交叉依赖关系，融合了模型的特征，实现了对于人体运动预测的短期和长期性能的最先进水平。

Mar, 2022

这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

Jun, 2021

本文提出一种基于 2D CNN 的新网络 TrajectoryNet，用于预测轨迹空间中未来的姿势，重点在于对先前姿势序列的耦合时空特征、局部全局空间特征和全局时间共现特征的建模，实验结果表明所提出方法在 3 个基准测试上达到了最先进的效果。

Oct, 2019

提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

Jun, 2020