本文提出了一种可扩展的图注意力网络（EGAT）模型，它从现有和新添加的基础设施中收集数据，并适用于具有不断变化的空间结构的情景，用于空气质量预测模型中。

Jul, 2023

本研究提出了一种基于层次图神经网络的空气质量预测方法 HighAir，采用编码器 - 解码器结构，并考虑了天气和土地利用等复杂的影响因素，动态调整边缘权重以建模动态因素与空气质量的相关性，实验结果表明 HighAir 显著优于其他方法.

Jan, 2021

使用 Spatiotemporal Graph Convolutional Recurrent Neural Network 模型，结合 GCN 框架和 RNN 结构进行空气质量预测，相较于目前最先进的 ConvLSTM 模型具有更好的性能，并且参数数量更少；在实际空气污染数据集中优于混合 GCN 方法。

Apr, 2023

本研究提出了一种用于空气质量预测的动态图神经网络，使用自适应边属性进行边信息传递，并通过端到端训练获取自适应边信息，从而提高模型表现。

Feb, 2023

本文提出一种基于图的 PM2.5-GNN 模型来预测 PM2.5 浓度，能够捕捉 PM2.5 过程中的细粒度和长期影响，并已在真实数据集上得到验证，可提供免费预测服务。

Feb, 2020

提出了一种双视图超网格感知图神经网络（DSGNN）用于区域空气质量估计，通过对远程网格区域的空间依赖性进行建模，实现了在无空气质量监测站的情况下估计目标区域的空气质量。

Apr, 2024

本文提出了 Multi-adversarial spatiotemporal recurrent Graph Neural Networks（MasterGNN）模型，通过模型化空气质量和气象监测站之间的时空自相关性，并采用多元对抗图学习框架来预测城市内的空气质量和天气，并将多元对抗学习作为多任务学习来解决观察噪声扩散的问题，实验表明 MasterGNN 在空气质量和气象预测任务中表现最佳。

Dec, 2020

该研究提出了一种基于深度学习的新型空气质量（主要是 PM2.5）预测模型，该模型能够通过卷积神经网络和双向 LSTM 混合框架学习空气质量相关时间序列数据的空间 - 时间相关性特征和多元相关性特征，并在两个实际数据集上进行了实验验证，表明该模型能够以较高的准确性进行 PM2.5 空气污染预测。

Dec, 2018

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

本文提出自适应图卷积循环神经网络 AGCRN，其中包括两个自适应模块（节点自适应参数学习模块和数据自适应图生成模块），用于捕捉交通时间序列数据中的空间和时间相关性。实验结果表明，AGCRN 在不需要预先定义空间连接图的情况下显著优于现有的相关方法。

Jul, 2020