本研究提出了一种基于 Spatio-Temporal Meta-Graph Learning 机制的交通预测模型 MegaCRN。通过调用 Meta-Node Bank 的能力实现判别路段和时间在交通速度预测中的不同变化，实验结果表明该模型在多个基准数据集上的表现优异。

Nov, 2022

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

交通流量预测在长期流式网络中的持续学习方面，我们通过将交通流量分割为多个同质化群体并分配专家模型负责特定群体这一创新的 Traffic Forecasting Mixture of Experts (TFMoE) 方法，强调了其在防止灾难性遗忘方面的有效性和效率。

Jun, 2024

我们提出了一个新的交通预测方法，名为 CompFormer，它通过空间 - 时间数据分解和多头空间变换模型的组成，能够有效地应对交通系列中的极端事件，提高预测性能。

Sep, 2023

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

智能交通系统中，精确的交通预测是一项重要挑战。本研究提出了一种名为时空自适应嵌入的新型组件，可以通过使用传统的 Transformer 模型取得出色的结果，该模型在五个实际交通预测数据集上实现了最先进的性能，进一步实验证明时空自适应嵌入在交通预测中起着关键作用。

Aug, 2023

提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

May, 2024

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

本研究利用四个真实世界的数据集，对四种深度神经网络模型进行了深入比较研究，探讨了它们各自利用不同基本元素（图卷积，图注意力，循环单元或注意机制）对交通预测问题的性能影响。结果表明，使用图注意力的基础模型在长期预测中表现更好，对于 RNN-based 模型选择图卷积和图注意力有着更大的影响，并且我们发现，我们修改后的 GMAN 在内存消耗更少的情况下表现出与原始模型相当的性能。

Nov, 2021

本研究提出了 Traffic Transformer 模型，通过多头和掩码多头机制，动态地从数据中抽取时空特征，提高了交通预测性能，比现有技术表现更好。

Apr, 2021