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

提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN 在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。

Jun, 2020

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

本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

Dec, 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

本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

Feb, 2023

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021

通过使用动态贝叶斯网络嵌入时变图形拓扑结构，应用图卷积神经网络进行交通预测，在实际数据集上验证提出方法的卓越性能。

Jun, 2023

本文提出了一种动态空时交叉图卷积神经网络（DSTCGCN）用于交通预测，结合了时间和空间维度的依赖关系，通过快速傅里叶变换（FFT）选择相关的时间步长，利用空间和时间连接功能模块建立动态的空时交叉依赖关系，实验结果表明，DSTCGCN 具有最先进的性能。

Jul, 2023

本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

May, 2019