通过将神经网络和统计结构学习模型相结合，我们提出了一种混合方法，通过从多变量数据中自主学习依赖关系并构建动态变化的依赖图，从而实现了在缺乏明确定义图的情况下利用图神经网络进行多变量预测。在真实世界的基准数据集上，我们的方法显著提高了性能。

Dec, 2023

在复杂供应链网络中，准确预测供应是具有挑战性的，但通过图形结构化历史数据，需求预测和原始供应计划的注意力机制图神经网络模型可显著提高供应和库存预测准确性，并为优化执行提供供应计划修正。

Apr, 2024

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

本研究研究了一种近期的模型类别，该类别使用图神经网络（GNN）来改进多元时间序列的预测，并提出了一种可微分参数化图形的模型，以提高预测质量，通过对四种不同模型进行比较，以及当禁用图形学习模块并提供基本关系时，我们对其行为进行了消融研究，根据我们的发现，我们提出了结合现有体系结构的新方法。

Sep, 2021

本文提出了一种学习概率图模型的方法，该方法通过优化图分布的平均性能来学习未知的图结构，并且通过神经网络参数化图分布，能够可微分地对离散图进行采样。实证评估表明，该方法比最近提出的双层学习方法以及基于深度学习或非深度学习，基于图形或非图形的预测模型更为简单，高效，性能更好。

Jan, 2021

通过使用云端边缘多个中等大小和高吞吐量的通信网络，提出了一种半分散的方法，以改进出租车需求和供应量预测，该方法结合了集中和分散设置的最佳功能，并且对于出租车需求和供应预测具有 GNN-LSTM 算法的优势。

Feb, 2023

该研究提出了一种面向多变量时间序列数据的图神经网络框架，采用图学习模块提取自动生成的变量之间的关系，同时运用新颖的混合传递和膨胀创新层捕捉时间序列中的空间和时间相关性，而这些模块被联合学习在一个端对端框架中。实验结果表明，该模型的性能在 3 个基准数据集上优于现有最先进方法，并在提供额外结构信息的两个交通数据集上实现了与其他方法相当的性能。

May, 2020

本研究提出了一种使用图神经网络（GNN）和强化学习（RL）监控的新方法来预测时间序列数据。该方法将数据的图结构与模型明确地结合起来，能更自然地捕捉时间依赖关系，对于医疗、交通和天气预测等复杂时间结构中的精准预测具有优势，同时通过贝叶斯优化技术对图神经网络模型进行了进一步优化，提出的框架在时间序列预测和监控方面优于基准模型，证明了 GraphRL 在动态强化学习环境中提供准确和高效预测的潜力。

Sep, 2023

应用图神经网络（GNN）到供应链网络的研究领域是相对缺失的，而本研究提出了一个用于时间任务的真实基准数据集，可以通过图神经网络来解决供应链规划等问题，从而推动供应链分析和规划领域的发展。

Jan, 2024

本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

May, 2019