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

我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。

Oct, 2023

本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

Sep, 2018

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

该研究提出了一种基于动态远程传输的新型传播延迟感知长输入 Transformer，能够准确预测交通流量，并在真实交通数据集上取得了最先进的性能和计算效率。

Jan, 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

本研究针对细粒度的 OD 矩阵的稀疏性和不确定性问题，设计了一种基于空间 - 时间零膨胀负二项式图神经网络 (STZINB-GNN) 方法，通过扩散和时间卷积网络分析空间和时间相关性，并融合以参数化出行需求的概率分布，提高了预测精度和可解释性。实验结果在高空间 - 时间分辨率下表现出了该方法的优越性。

Aug, 2022

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