本文介绍了一种用于运输网络中估算出发时间的图神经网络模型，该模型使用了 MetaGradients 等算法优化方法，经过实际生产和现实情景分析的验证，在 Sydney 等城市的应用中相较之前的基础模型获得了显著的预测值准确度提高（最高达 40%）。
Aug, 2021
本文提出基于转换器架构 - TransTTE 的新方法来解决交通运输中旅行时间估计问题。
Jul, 2022
该研究提出了一种基于 Transformer 的模型，用于解决旅行时间估计问题，利用不同的数据模式捕捉输入路径的不同属性并在路径感知和路径盲设置上进行了测试，在两个数据集上性能均优于现有模型，并部署为可访问的 Web 服务。
Jun, 2023
本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK)，用于在网络 / 图结构上恢复未采样位置 / 传感器的数据，实现了局部信息的传递和学习。利用动态邻接矩阵进行培训，最终在多个真实数据集上表现出较好的预测效果，这些研究结果表明：1) GNN 是进行空间克里金的有效工具；2) 可以使用动态邻接矩阵进行归纳式 GNN 的训练；3) 训练好的模型可以传递到新的图结构上；4) IGNNK 可以用于产生虚拟传感器。
Jun, 2020
交通流量预测的反事实图转换器模型通过找到重要的子图，使用时序的传感器特征和图结构的扰动掩码进行空间和时间的反事实解释，以提高交通流量预测的可靠性和可解释性。
Aug, 2023
本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。
Apr, 2021
该研究提出了 GTA，一种新的多元时间序列异常检测框架，具有自动学习图结构、图卷积和使用基于 Transformer 的架构建模时间依赖性等特点。通过在四个公开可用的异常检测基准上进行的广泛实验，证明了该方法优于替代的最新技术水平。
利用 GraphTransformers 框架，在地理空间序列中进行轨迹预测，通过显式利用自动生成的图结构，可以显著改善地理空间轨迹预测。在 HurDAT 数据集上，我们的 GraphTransformer 方法明显优于基于 Transformer 的基准方法，用于基于 6 小时为间隔的飓风轨迹预测。
Oct, 2023
MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。
本文提出了一种名为 GraphiT 的模型，将结构和位置信息融入到变换器体系结构中，以解决图像分类和回归等任务，并通过相对位置编码策略中的正定核和枚举和编码短路径等方法来实现，表现比传统方法更好。此外，该模型还具有解释和可视化图像的特点，有望成为解释性较强、科学应用领域中的潜在强大候选者。
Jun, 2021