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

本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了 6 种 GCNN 模型和 7 种基准模型，并在 New York City 的一个 Citi Bike 数据集上进行了测试，结果表明 GCNNrec-DDGF 的表现最佳，其次是 GCNNreg-DDGF。此外，通过 DDGF 获得更详细的图网络分析，发现它捕捉了一些嵌入在 SD，DE 和 DC 矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

Dec, 2017

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

从电信角度看，用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察，并建议最优分配策略。最近，使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而，现有的研究借鉴了道路流量预测的方法，忽视了基站的动态部署和移除，要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型，可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习，使其适用于不同领域。实验结果表明，在稀缺数据的情况下，与最先进技术相比，性能提升高达 9.8％，特别是当训练数据减少到 20％以下的情况。

May, 2024

本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

Mar, 2023

本研究针对交通速度预测问题，通过基于距离、方向和位置关系的图卷积网络构建基本图元素，成功地将空间依赖关系引入深度神经网络， 在高度复杂的城市网络中实现了长期预测并获得了积极的改进。

May, 2019

提出了一种基于图卷积网络和深度聚类方法的多模式乘客流预测框架（MPGCN），该框架从定点巴士记录数据中提取人类移动知识，以预测巴士乘客流量和优化路线，实验结果表明该方法具有潜在的实际应用价值。

Feb, 2022

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

本文提出了一种新颖的动态频域图卷积网络 (DFDGCN)，用于捕捉交通数据中的空间依赖性，通过傅里叶变换来缓解时间偏移的影响，结合静态预定义和自适应图，通过经典因果卷积预测未来的交通数据。经过四个真实世界数据集的广泛实验证明，我们的模型具有有效性，并且优于基准模型。

Dec, 2023

本文研究了交通流预测问题，通过建模交通网络和过去的交通状况来预测未来的交通情况。为了解决现有方法在复杂交通网络中表现不佳的问题，本文提出了一种名为动态超图结构学习 (DyHSL) 的新模型，该模型通过提取超图结构信息来学习非成对关系，并通过聚合来自关联超边的消息来更新每个节点的表示。为了捕捉道路网络中的高阶时空关系，介绍了互动图卷积块，进一步模拟每个节点的邻域交互。最后，将这两个视角整合到一个综合的多尺度相关性提取模块中，该模块通过不同尺度的时间池化来建模不同的时间模式。对四个流行的交通基准数据集进行了大量实验证明了我们提出的 DyHSL 与广泛的竞争基准相比的有效性。

Sep, 2023