该论文提供了对交通场景的图谱表示的全面分析和解释。基于时空车辆交互图，观察到的交通场景可以通过多维图傅里叶变换转换为图谱域。由于这些谱场景表示成功地融合了交通场景的复杂和交互性质，因此采用了优良的特征表示方法用于预测车辆轨迹。该论文引入了 GFTNNv2，它是一个在图谱域中预测车辆轨迹的深度学习网络。在公开可用的数据集 highD 和 NGSIM 上评估 GFTNNv2，与现有的预测方法相比，性能提升高达 25%。

Aug, 2023

直接应用图网络并从纯图的角度重新审视多元时间序列（MTS）预测，定义了一种新的数据结构 —— 超变量图（hypervariate graph），以滑动窗口作为时空全连接图，从而统一考虑时空动态并重构经典 MTS 预测为在超变量图上的预测。通过在傅里叶空间执行矩阵乘法的傅里叶图神经网络（Fourier Graph Neural Network，FourierGNN）架构，实现了更低的复杂性、更高的效率和较少参数，从而取得了卓越的预测性能。

Nov, 2023

通过捕捉交互作用，这项研究提出了基于图的多模态轨迹预测模型，利用扩散图卷积网络有效预测未来车辆轨迹，并给出了相应概率，解决车辆交互和多模态行为的挑战。

Sep, 2023

这篇论文提出了一种名为 SpecTGNN 的图神经网络，它结合了时域和频域中的信息来实现对自主车辆和社交移动机器人周围环境的运动预测，获得了目前公开数据集上预测精度方面的最优表现。

Jun, 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

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

本文基于图神经网络与边变换的傅里叶图神经网络，提出一种适应性学习高分辨率变量依赖关系的方法，对多变量时间序列分析与预测具有较高的效率和准确性。

Oct, 2022

本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测，该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷，还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系，并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性，实验结果表明，与其他交通预测技术相比，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

May, 2022

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