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

我们提出了一种方法，将多变量信号表示为图中的节点，通过图神经网络和注意力机制来高效学习时间序列数据中的潜在关系，并建议使用分层信号分解来捕捉多个空间依赖关系，实验证明我们的模型在长期预测任务中优于现有模型，平均均方误差 (MSE) 减少了 23%。

Nov, 2023

本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

本研究通过将结构信息整合到在线逼近目标中，采用拉普拉斯正则化项，将状态空间模型理论扩展到时间图，提出了 GraphSSM 框架，用于建模时间图的动态性，实验证明 GraphSSM 在各种时间图基准测试中的有效性。

Jun, 2024

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

提出了一种名为全连接时空图神经网络（FC-STGNN）的新方法，通过将传感器之间的相关性考虑为不同时间戳下的相关性，来全面建模多元时间序列数据中的时空依赖关系，并有效地捕捉和学习有效的表示，实验证明其在多个多元时间序列数据集上相对于其他方法具有有效性。

Sep, 2023

本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

Nov, 2015

本文介绍了一种新型的图神经网络，Graph WaveNet，它采用了自适应依赖矩阵和扩张卷积组件，能够精确捕捉数据中的隐藏空间依赖关系和处理非常长的时间序列，通过在两个公共交通网络数据集中的实验结果，证明了我们算法的优越性。

May, 2019

本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

Mar, 2021

提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

Apr, 2018