本文建立了一个理论框架，阐明了光谱 - 时域 GNN 表达能力的基础，结果表明线性光谱 - 时域 GNN 在温和假设下是通用的，基于我们的框架，我们提出了一个名为 TGC 的简单实例，在模型效率和准确性方面显著优于绝大部分现有模型。

May, 2023

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

本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

Mar, 2021

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

本文提出了一种通用的生成神经系统（称为 STG-DAT），用于多代理轨迹预测，涉及异构代理。该系统采用了动态图形表示，并利用轨迹和场景上下文信息来明确交互建模。本文还采用了一个有效的运动学约束层，该约束不仅确保物理可行性，而且提高了模型性能。

Feb, 2021

该论文提供了对交通场景的图谱表示的全面分析和解释。基于时空车辆交互图，观察到的交通场景可以通过多维图傅里叶变换转换为图谱域。由于这些谱场景表示成功地融合了交通场景的复杂和交互性质，因此采用了优良的特征表示方法用于预测车辆轨迹。该论文引入了 GFTNNv2，它是一个在图谱域中预测车辆轨迹的深度学习网络。在公开可用的数据集 highD 和 NGSIM 上评估 GFTNNv2，与现有的预测方法相比，性能提升高达 25%。

Aug, 2023

使用 Temporal Scene Graph Neural Networks 和 Hierarchical Lane Transformer 构建的 TSGN 框架，用于多智能体轨迹预测，实现了最先进的性能表现，同时减少计算负担。

May, 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

本文提出了一种称为简化空时交通预测 GNN 的模型，它通过对不同邻域进行分别聚合的方式有效地编码了空间依赖性，并使用简单而有效的加权空时聚合机制捕获时间依赖性，而且使用了一种新颖的位置编码方案来捕获周期性的交通模式，实验表明该模型优于最先进的交通预测模型。

Mar, 2021