本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

Jul, 2021

本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

Apr, 2023

本研究提出了一种基于图卷积网络和动态图学习模块的方法（GCN-M），用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。

Dec, 2022

本文提出了一种新的针对多元时间序列数据的缺失值填补方法（STING），它利用了生成对抗网络和双向循环神经网络来学习时间序列的潜在表示，并引入一种新的自注意力机制来捕捉整个序列的加权相关性，实验结果表明，STING 在多个真实数据集上表现出比现有技术更高的填补精度和增强任务能力。

Sep, 2022

这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

Dec, 2023

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

在本研究中，我们提出了一种创新方法 GATGPT，它将已训练好的大型语言模型（LLM）与图注意机制相结合，用于时空插补。我们保持大部分 LLM 参数不变，以利用现有知识学习时间模式，并针对不同应用程序调整上层的微调。图注意组件增强了 LLM 理解空间关系的能力。通过对三个真实世界数据集的测试，我们的方法表现与已建立的深度学习基准相当。

Nov, 2023

我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network，该方法旨在通过学习不完整数据的潜在表示，并捕捉不完整交通数据中固有的空间和时间依赖性，来填补缺失值。在五个真实世界交通数据集上的广泛实验证明，我们的方法在均方根误差（RMSE）和平均绝对百分比误差（MAPE）方面优于现有最先进的填补方法，平均改进了 4.31% 和 3.72%。

Jun, 2024

本研究提出了一种新的空间 - 时间神经网络体系结构，称为 Spatial-Temporal Graph-Informer (STGIN)，通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取，以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证，表明这种模型具有长序列预测能力。

Oct, 2022

在本研究中，我们引入了时空零膨胀 Tweedie 图神经网络 (STZITD-GNNs)，该模型将传统统计模型的可靠性与图神经网络的灵活性相结合，旨在准确量化与道路级交通事故风险相关的不确定性，并在捕捉数据集的倾斜分布方面起到了积极的作用，特别是对于罕见但具有影响力的严重事故。经过使用来自英国伦敦的真实交通数据的实证测试，证明了我们的模型在超过当前基准之上在短期（7 天）和长期（14 天）时间范围内的鲁棒预测能力。

Sep, 2023