本论文提出了一种新的深度学习模型Balanced Graph Structure Learning for Forecasting（BGSLF），该模型结合了图结构学习和预测，并通过引入Multi-Graph Generation Network和Graph Selection Module平衡了效率和灵活性的权衡，并在真实世界的四个数据集上进行了广泛的实验，取得了最新的性能表现。
Jan, 2022
本文提出了一种使用动态图神经普通微分方程（MTGODE）来预测多元时间序列的连续模型，旨在解决离散神经网络在捕捉稳定和精确的时空动态时所遇到的困难。我们的实验证明了该方法从多种角度在五个时间序列基准数据集上的超越性。
Feb, 2022
本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。
May, 2022
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
De Bruijn 图神经网络是一种面向动态图的新型时态图神经网络架构，它利用更高阶 De Bruijn 图实现信息传递，并通过概率建模选出最优的图拓扑结构，使动态图中的时间-拓扑模式可以被有效提取和学习。
本文提出了一种基于得分的图神经网络方法，旨在学习离散时间时间图中捕捉因果依赖的稀疏DAG，结果表明该方法较其他现有方法如动态贝叶斯网络推断等表现更好，得到的结构因果模型也比诸如Notears等方法发现的线性SCM更准确。
Jan, 2023
TimeGNN是一种学习动态时间图表示的方法，能够捕捉多个系列的相关性和交互模式的演变，并在预测性能方面实现比其他先进的基于图的方法快4到80倍的推理时间。
Jul, 2023
通过使用因果治疗，本文提出了一种名为CaST的新框架来解决时空图预测中的时间分布外问题和动态空间因果问题，该框架通过建立结构因果模型来解析STG的数据生成过程，使用新的解缠结块通过反门调整来处理时间分布外问题，并利用前门调整和Hodge-Laplacian操作符进行边级卷积，以模拟因果效应的涟漪效果。在三个真实数据集上的实验证明了CaST的有效性和实用性，并且在解释性方面表现出色。
Sep, 2023
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023
提出了一种名为Time-aware Graph Convolutional Recurrent Network (TGCRN)的统一框架，通过Time-aware Graph Structure Learning (TagSL)和Graph Convolution-based Gated Recurrent Unit (GCGRU)在编码器-解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。
Dec, 2023