本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

Mar, 2018

提出了一种新的交通预测方法，将预测问题转化为模式匹配任务，通过构建一种新型的交通预测模型，即模式匹配记忆网络（PM-MemNet），该模型能够通过键值存储结构将数据与代表性模式进行匹配来进行预测，并且利用了图卷积和注意力机制的增强存储器结构来建模路况的时空相关性。实验结果表明，PM-MemNet 比现有的模型更准确，并具有更高的响应性。

Oct, 2021

该研究提出一种通过检查拓扑特征来发现具有相似交通流量特征的交通路段的方法，该方法可以通过数据的合成来尽可能减少对交通监测所需的经济投入。研究还分析了几种基于此方法的数据生成方法，并与简单的流量估计方法进行了比较。

Jan, 2022

通过时空深度学习方法，提出了一个用于高速公路上每日交通流量预测的新方法，该方法通过数据归一化策略解决了网络全域收费站交通流量的数据不平衡问题，并基于图卷积网络构建了不同语义的网络来捕捉时空特征，同时利用气象和日历特征在全连接阶段提取交通流量的外部特征，经过大量实验证明该方法较基准模型在预测准确性方面有明显提升，并在商业领域带来实际效益。

Aug, 2023

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021

本文提出了一种新颖的动态图卷积神经网络，采用时空关注融合的方法，全面地模拟了长距离和多尺度的时空模式，取得了 22 种基线模型之外的最先进表现。

Feb, 2023

本文针对智能交通系统中数据缺失问题，基于隐藏特征分析提出了一种基于时空交通模式的矩阵完成方法，能够准确地估算连续的缺失数据。

Aug, 2022

本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

Mar, 2019

该论文提出了一种基于神经网络模型的交通流预测方法，该方法可以提取交通流数据的空间和时间信息，进而通过结合两种图卷积网络方法来学习节点和边的表示，并利用基于周期的膨胀可变卷积模块来准确捕获每个节点上不同的时变趋势，实验结果表明该模型可以更好地预测交通流，并适应不同的时态交通模式。

Nov, 2020

本研究提出了一种基于知识图谱的 C 形建筑模式识别方法，通过属性图，图数据库和基于规则的推理，实现了建筑模式的有效识别。研究结果表明，相较于现有方法，该方法在多级精度上能够取得更高的召回率和更高的识别效率。

Apr, 2023