本文提出了一种新的空间 - 时间神经网络框架 ASTGCRN，其中包括图卷积循环模块 GCRN 和全局注意力模块，以有效地对运输数据进行复杂的时空依赖性和相关性建模，并采用三个独立模块的时间关注层来实现对全局时间依赖性的有效提取。实验结果表明，这三个模型均具有极佳的预测表现优于基准方法。

Feb, 2023

提出了一种新的交通拥堵预测模型 - 多邻接关系注意力图卷积网络（MA2GCN），通过将车辆轨迹数据转换为以网格形式的图结构化数据，提出了基于不同网格之间的移动性的车辆进出矩阵。同时，为了提高模型性能，还构建了一种新的自适应邻接矩阵生成方法和邻接矩阵注意力模块。该模型主要利用时序卷积和图卷积分别提取时空信息，并在上海出租车 GPS 轨迹数据集上表现出最佳性能。

Jan, 2024

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

该论文提出了一种基于自适应图形时空网络和 Transformer 的交叉空间时间注意力机制，在流量预测上的实验结果表明其具有更优秀的性能。

Jul, 2022

本文主要针对交通预测中的长期性和影响因素的复杂性，提出了一种基于图形多关注网络 (GMAN) 的方法，通过编码器 - 解码器结构中的多个时空注意力块，来建模时空因素对交通状况的影响，并在两个实际交通预测任务中进行了实验。实验结果表明，GMAN 方法比现有方法具有优越性。

Nov, 2019

提出了一种名为 ADGCRNN 的注意力机制动态图卷积循环神经网络，用于改善高速公路交通中的交通流量预测，通过注意力机制有效地整合了三种时间分辨率的数据序列，动态创建多动态图以结合动态特征，引入专注于高相关节点的门控核以减少图卷积操作的过拟合，实验证明该方法优于现有技术基线。

Sep, 2023

本文提出了 Edge Squeeze Graph Convolutional Network (ESGCN) 来建模车流的时空动态，使用图卷积网络和自适应邻接矩阵来预测多个区域的交通流量，通过边特征、边注意力机制和节点对比损失等方法提高预测的准确性。在四个真实数据集上 (PEMS03, 04, 07, and 08)，ESGCN 在计算效率和预测性能上均取得了最佳表现。

Jul, 2023

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

该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

Apr, 2024

本文提出了一个新的空间 - 时间因果图注意网络（STCGAT）用于交通预测，采用节点嵌入方法在每个时间步骤自适应生成空间相邻子图，以建模全局空间和时间依赖性，并提出了一种高效的因果时间相关组件，包含节点自适应学习，图卷积和本地和全局因果时间卷积模块，共同学习本地和全局空间 - 时间依赖性，实验结果表明 STCGAT 模型始终优于所有基线模型。

Mar, 2022