本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

Dec, 2020

利用 GCN 和 LSTM 相结合的顺序空时图卷积网络（SST-GCN）预测首尔的道路数据集构建的分钟级和道路级交通事故，实验证明 SST-GCN 在分钟级预测方面胜过其他最先进的模型。

May, 2024

本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

Jul, 2023

为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用，我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network（ST-GDN），该框架具有层次结构的图神经架构，不仅可以从局部角度学习区域地理依赖关系，而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络，以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。

Oct, 2021

该论文介绍了一种新颖的交通预测框架，它包括两个核心组件：空间 - 时间图递归神经网络和全局感知层。通过引入序列感知图神经网络，该模型可以学习不同时间步骤上的非固定图并捕捉局部时间关系。为了增强模型的全局认知，该框架还设计了三种独特的全局空间 - 时间转换器架构。在四个实际交通数据集上进行的广泛实验证明了我们框架和三种具体模型的优越性。

Jan, 2024

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

该论文提出了一种基于神经网络模型的交通流预测方法，该方法可以提取交通流数据的空间和时间信息，进而通过结合两种图卷积网络方法来学习节点和边的表示，并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势，实验结果表明该模型可以更好地预测交通流，并适应不同的时态交通模式。

Nov, 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

该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

Jul, 2022

提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测，结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息，并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉，实验结果表明，该模型的预测准确性优于其他二十种基准方法。

Oct, 2023