本研究提出了基于 CNN 的时空图形框架 GraphTCN，通过将空间交互作为社交图形进行建模，并使用修改的时间卷积网络来捕捉时空交互。实验结果证实，该模型在各种轨迹预测基准数据集上实现了更高的性能和更高的准确性。

Mar, 2020

本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

Jun, 2023

通过构建异质性图来显式地建模用户、新闻和潜在主题之间的交互，并利用图形神经网络和注意力机制的 LSTM 模型学习用户和新闻表示形式，从而在新闻推荐系统中扩展高阶结构信息。实验结果表明，该模型在新闻推荐方面显著优于现有的方法。

Oct, 2019

本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。

Feb, 2023

用于理解用户与项目之间相对较短的正在进行的会话中的交互行为，并通过预测下一步行动来进行会话推荐的研究已日益受到关注。我们提出了临时图神经网络（TempGNN），这是一个用于捕捉复杂项目转换中的结构和时间动态的通用框架，利用节点和边上的时间嵌入操作符对动态会话图进行表示。广泛的实验结果表明，通过将其插入现有的最先进模型，该方法的有效性和适应性。最后，TempGNN 在两个真实的电子商务数据集上取得了最先进的性能。

Oct, 2023

本研究提出了一种基于行为感知的图形网络，同时考虑六种不同类型的行为以及用户对新闻多样性的需求，使用 DeepWalk 提取实体语义，建立了一个基于图形的卷积神经网络来学习新闻的表示，以及一个基于关注力的 LSTM 来学习行为序列的表示，成功地将新闻推荐给不同程度集中度的不同用户。

Nov, 2018

本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

Oct, 2019

本研究提出了一种新颖的神经网络模型，通过联合建模社交网络和移动轨迹，可以更好地分析和挖掘地理位置社交网络（LBSN）数据。通过考虑四个影响移动轨迹生成过程的因素来建模移动轨迹，最终在两个重要应用的实验结果中验证了模型的有效性。

Jun, 2016

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

提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

Apr, 2018