介绍了一种针对自由流动交通模式的新型图构建方法，利用密度聚类算法确定图中节点的灵活定位，并从乘车数据中提取有价值的信息来初始化图神经网络的边权重，实验证实了该方法显著提高了模型的性能和计算效率。

Mar, 2024

本文系统研究了多层异构边缘网络上的分布式图神经网络处理的成本优化，发现图神经网络的独特计算模式含有二次次模性质，在此基础上设计了基于图切割的迭代解法，并通过实验评估证明了其在成本降低、收敛速度等方面均具有优异性能。

Oct, 2022

从电信角度看，用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察，并建议最优分配策略。最近，使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而，现有的研究借鉴了道路流量预测的方法，忽视了基站的动态部署和移除，要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型，可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习，使其适用于不同领域。实验结果表明，在稀缺数据的情况下，与最先进技术相比，性能提升高达 9.8％，特别是当训练数据减少到 20％以下的情况。

May, 2024

利用异构图神经网络提出了一种新的数据驱动交通分配和交通流学习方法，该模型能够捕捉不同链接上的空间交通模式，具有高精度的结果，并在城市交通网络上进行了数值实验，表明该模型在收敛速度、训练损失和预测准确性方面优于其他传统神经网络模型，同时也具有泛化到不同网络拓扑的能力，为复杂交通流分析和预测提供了有希望的解决方案，增强了对各种交通系统的理解和管理能力。

Oct, 2023

提出了一种用于交通流预测的混合时变图神经网络 (HtvgNN)。

Jan, 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

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的 GNN 体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs 是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs 的均方根误差为 9.10，平均绝对误差为 8.00，而 GraphSAGE 显示出改进，均方根误差为 8.3，平均绝对误差为 7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为 9.15，令人印象深刻的平均绝对误差为 7.1，使其成为最佳选择。

Oct, 2023

通过去中心化的深度学习方法，基于相邻车站的拥堵状态实时准确地预测每个车站的拥堵状况，避免了中央处理器的局限性并提升了系统的实时反馈能力和实用性。同时为了避免训练数据集的不平衡，引入了经过正则化的欧氏距离损失函数。通过北加利福尼亚交通数据建立新的数据集进行实验，成果表明该方法成功预测了交通拥堵。

Mar, 2017

本文研究了使用图神经网络实现无线优化问题的去中心化控制 / 管理，提出了设计隐私保护信号和隐私保障训练算法来实现隐私保护推断，并在合成图数据上进行了广泛的模拟以验证理论分析。

Aug, 2022

基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。

Oct, 2023