本文提出了一种新颖的基于图的多 - ODE 神经网络（GRAM-ODE）架构，通过捕捉复杂的局部和全局动态时空依赖关系的不同视图来学习更好的表示，并在其中间层添加了共享权重和发散性约束等技术以进一步改善面向预测任务的通信。在六个真实数据集上进行的广泛实验表明，GRAM-ODE 相比最先进的基线方法具有明显的优越性，并且不同组件对整体性能的贡献。

May, 2023

本文提出一种基于 GNN 和 ODE 的交通预测模型（ASTGODE），在真实数据上表现良好，具有可解释性，并实现了最高的预测准确度。

May, 2023

STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

Oct, 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

本研究提出一种基于神经常微分方程的多关系图卷积网络连续模型，通过图转换层捕获动态图的转换，实现对时间和结构信息进行连续时间动态嵌入，并在五个基准数据集上进行了大量实验证明，该模型在未来链接预测任务中具有卓越的性能。

Jan, 2021

本文提出了一种基于神经网络控制微分方程的时空图神经控制微分方程（STG-NCDE）方法，将 NCDA 概念应用于时空序列数据的处理中，实验表明该方法在交通预测中表现良好且优于其他 20 种基准模型。

Dec, 2021

通过引入时间图常微分方程（TG-ODE）框架，从不规则图流中学习时间和空间动态，验证实验表明 TG-ODE 在不规则图流任务中能够取得最先进的性能。

Apr, 2024

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

提出一种神经时空延迟微分方程模型（STDDE）进行交通流预测，该模型结合了延迟效应和连续性，通过明确地建模时空信息传播中的时间延迟，设计了可学习的交通图时延估计器，并提出了连续输出模块，从而实现在不同频率下准确预测交通流的灵活性和适应性。

Feb, 2024

提出了一种 STIDGCN 神经网络的拓扑交互动态图卷积模型，可以有效地进行交通预测，具有更好的性能。

May, 2022