该研究使用图表征交通场景，并运用了自然地考虑交通参与者之间相互作用的图神经网络模型来进行交通预测，评估了两种现有的图神经网络结构，并对特定情境进行了调整并表明该模型比不考虑相互作用的模型预测误差下降 30％，表明交互作用是重要的，并且该研究在交通预测系统中将 GNN 作为有价值的补充。

Mar, 2019

本文提出了一种基于图神经网络的网络建模技术，能够准确估计网络拓扑、路由和输入流量之间的复杂关系，从而优化网络性能，本技术对任意拓扑、路由和流量强度具有很好的泛化能力。

Jan, 2019

该论文介绍了一种新的方法来缩小 “模拟 - 实际” 之间的差距，通过从 2D 交通模拟和录制的路口画面中创建逼真的图片。该方法结合了条件生成对抗网络和图神经网络，利用 GNN 在不同抽象层次上处理信息的能力以及分段图像来保留区域数据，创造基于模拟交通场景的真实城市交通图像。这种方法的独特之处在于能够将结构化和可读性高的条件（以图形编码）有效地转化为逼真的图像。该研究成果为需要丰富的交通图像数据集的应用提供了贡献，从数据增强到城市交通解决方案。论文进一步提供了一个应用程序来测试该模型的能力，其中包括生成具有各种实体的手动定义位置的图像。

Dec, 2023

本论文对交通预测问题中应用图神经网络（包括图卷积和图注意力网络）进行了全面的综述和研究，展示了其在不同交通预测问题方面，如道路交通流和速度预测、城市轨道交通系统中的客流预测以及打车平台中的需求预测等，取得的最新成果。同时，还提供了每个问题的公开数据和资源列表，并提出了未来的研究方向。

Jan, 2021

图神经网络已成为从图结构数据中有效挖掘和学习的强大工具，但大多数研究侧重于静态图，忽视了真实世界网络的动态特性，该论文提供了对基本概念、关键技术和最新动态图神经网络模型的全面综述。

Apr, 2024

本研究早期报告探索了在富含信息的网络流数据中使用图神经网络（GNNs）进行异常检测的可能性，以改进 GNN 在异常检测中的性能。

May, 2024

该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器，称为 GNS。该模型在训练中考虑了不同颗粒轨迹，并且在测试中展现了优秀的性能，可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。

May, 2023

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

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

提出了一种能够保留无拓扑模式的通用模型，通过利用双重交叉尺度变换器框架和蒸馏式学习方法，将现有的基于图神经网络的方法与拓扑自由模式进行集成，从而改进了城市交通速度预测的准确性。

Jun, 2024