本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

Jul, 2022

提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测，结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息，并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉，实验结果表明，该模型的预测准确性优于其他二十种基准方法。

Oct, 2023

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

本文提出了一个新的空间 - 时间因果图注意网络（STCGAT）用于交通预测，采用节点嵌入方法在每个时间步骤自适应生成空间相邻子图，以建模全局空间和时间依赖性，并提出了一种高效的因果时间相关组件，包含节点自适应学习，图卷积和本地和全局因果时间卷积模块，共同学习本地和全局空间 - 时间依赖性，实验结果表明 STCGAT 模型始终优于所有基线模型。

Mar, 2022

本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

Feb, 2023

该论文提出了一种基于神经网络模型的交通流预测方法，该方法可以提取交通流数据的空间和时间信息，进而通过结合两种图卷积网络方法来学习节点和边的表示，并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势，实验结果表明该模型可以更好地预测交通流，并适应不同的时态交通模式。

Nov, 2020

本研究提出了一种新的假设：全局 - 动态交通信息（GDTi）行为为交通流内在的传输因果关系（TCR），并进一步提出了时空 Granger 因果关系（STGC）以表达 TCR，以建立全局动态空间依赖性的模型。 实验结果表明，使用 STGC 对空间依赖性建模比原始模型获得更好的长期预测效果。

Oct, 2022

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