本文介绍 Causal Graph Process Neural Network (CGProNet)，它结合了 CGPs 和 GNNs，用于时空预测，并通过使用更少的参数、减少内存使用和提高运行效率来优化模型。实验结果表明 CGProNet 在保持竞争力的预测性能的同时，最小化了内存和时间需求。

May, 2024

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

提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

Oct, 2023

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

本文提出了一种 Sequential Neural Processes (SNP) 的方法，它通过引入一个时间状态转移模型来扩展 Neural Processes (NP) 的建模能力，以处理动态随机过程。作者还使用 Temporal Generative Query Networks 将 SNP 应用于动态三维场景建模，实现了可以处理 3D 场景时间动态的 4D 模型，并在实验中验证了该方法在动态回归和 4D 场景推断与渲染中的性能。

Jun, 2019

本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

Jun, 2022

本文提出了一种基于空间感知图神经网络的关系行为预测模型，该模型能够建模场景中的交互，并在轨迹级别上模拟不确定性，通过最新的自动驾驶数据集 ATG4D 和 nuScenes 的实验结果，我们的模型取得了显著的性能提升，具有端到端的训练能力。

Oct, 2019

提出一种基于数学设计的空时图散射转换（ST-GST），将传统散射变换扩展到空时领域，通过使用空时图小波和非线性激活函数的迭代应用，对空时数据进行分析，不需要训练即可视为空时图卷积网络的正向传递，在限制的训练数据情况下表现出稳定性，实验表明其性能优于空时图卷积网络。

Dec, 2020

提出了一种名为 STGNPP 的时空图神经点过程框架，用于交通拥堵事件预测，通过设计时空图学习模块捕捉历史交通状态数据及道路网络的远程时空依赖关系，将提取的时空隐藏表示和拥堵事件信息输入到连续门循环单元中以建模拥堵演变模式，并通过周期门控机制改进点过程的强度函数计算以充分利用周期性信息，此模型同时预测下一个拥堵的发生时间和持续时间，在两个真实世界数据集上的大量实验表明，我们的方法在性能上优于现有的最先进方法。

Nov, 2023