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张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

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

本文提出了一种新的连续神经网络框架 ETN-ODE，结合了可解释的 Tensorized Gated Recurrent Unit（Tensorized GRU）和普通微分方程（ODE），通过引入时间和变量注意力机制，创新性地解决了不同时间点的多步骤多变量时间序列预测问题，并通过实验证明该方法的有效性和解释性。

Nov, 2020

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

直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。

Nov, 2023

本文基于图神经网络与边变换的傅里叶图神经网络，提出一种适应性学习高分辨率变量依赖关系的方法，对多变量时间序列分析与预测具有较高的效率和准确性。

Oct, 2022

我们提出了一种新颖的模型，即图神经随机微分方程（Graph Neural SDEs）。此技术通过使用布朗运动将随机性嵌入数据表示，提升了图神经常微分方程（Graph Neural ODEs），允许评估预测的不确定性，尤其在置信度预测方面超过了常规模型如图卷积网络和图神经常微分方程，使其在处理静态和时空上下文中的超出分布检测方面更加优越。

Aug, 2023