本文提出了一种用于交通预测的新型深度学习架构 Diffusion Convolutional Recurrent Neural Network (DCRNN)，通过在有向图上进行双向随机游走来捕捉交通流的空间依赖性，通过编码器-解码器结构和计划采样来捕捉时间依赖性。在两个真实的大规模交通数据集上评估这个架构并观察到相对于现有技术的改进幅度在12％-15％之间。
Jul, 2017
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
本文提出了一种新的空间-时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在Real-world数据集上预测交通流量方面的性能要好于现有工作。
Jan, 2020
提出一种混合时空图卷积网络 (H-STGCN) 用于交通预测，利用在线导航引擎获取即将到来的流量数据，并结合与时间相关的交通流量信息进行空间依赖的图卷积计算，实现对交通状况的预测。在现实数据上的实验表明，相比于现有方法，H-STGCN在各种指标上均表现出色，尤其是对于非经常发生的拥堵的预测。
Jun, 2020
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
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
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
准确预测交通流量对于公共安全和智能交通系统等应用至关重要，本文通过提出一种名为多通道时空网络（MVC-STNet）模型的深度学习方法来解决多通道交通流预测的问题，该模型考虑了不同交通观测对交通流预测的不同影响，并在实验中取得了比现有方法更好的预测性能。
Apr, 2024
通过使用多尺度图小波时域卷积网络(MSGWTCN)模型，同时捕捉不同层次的空间信息和提取数据的时间依赖性，可以更好地预测复杂交通网络中的交通状态，并在实验中证明了该模型的卓越表现。
Jun, 2024
通过将空间保留网络和时间保留网络相结合形成ST-RetNet模型，我们在四个真实世界数据集上的实验证明ST-RetNet在交通流量预测方面优于现有方法。
Jul, 2024