本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

Dec, 2020

本研究通过系统综述图学习策略和空间 - temporal 图网络模型来建立智慧城市的标准化和可扩展基准，以评估其在两种类型的交通数据集上的性能，并讨论未来的研究方向。

Jul, 2023

为了更准确地预测城市交通流量并在智能交通管制和公共风险评估等方面实现更有效的空间 - 时间挖掘应用，我们开发了一种新的交通预测框架 Spatial-Temporal Graph Diffusion Network（ST-GDN），该框架具有层次结构的图神经架构，不仅可以从局部角度学习区域地理依赖关系，而且可以从全局角度学习空间语义。该框架还配备了多尺度注意力网络，以提高其捕捉多级时间动态的能力。多项实验结果表明 ST-GDN 的性能优于多种最新基线。

Oct, 2021

提出了一种可解释的空时图神经网络（STExplainer）框架，以提高 Spatio-temporal Graph Neural Networks（STGNNs）的可解释性，同时实现准确的预测和可信的解释。通过与其他模型的实验比较，证明 STExplainer 在交通和犯罪预测任务中具有更高的预测精度和可解释度，并能更好地处理数据丢失和稀疏性问题。

Oct, 2023

本研究提出了一个时空图注意力网络（ST-GAT）来预测蓝军战斗机的飞行轨迹，与增强型的 CNN-LSTM 网络相比，模拟结果显示该网络显著提高了飞行轨迹的预测准确性，为后续自主战斗任务提供了强有力的支持。

May, 2024

STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

Oct, 2023

本研究主要探讨了基于空间 - 时间图神经网络的多元时间序列建模和预测，提出了一种紧凑型的预测模型，通过节点标识驱动，不需要复杂的顺序模块，并使用稠密编码器 - 解码器和消息传递层，能够有效地处理空间 - 时间问题。实证结果表明，这种简单而优雅的模型在适当归纳基础的情况下，与复杂的设计相比，具有更好的性能，更易解释，更高效。

Jul, 2023

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017

本研究通过提出 Social-STGCNN 方法，并将交互建模为图形而避免聚合方法的使用，提高人类与自主车辆之间模型交互的时效及准确性，同时提高参数及推理速度，且即使训练数据量减少可仍得出表现优异的结果。

Feb, 2020