使用移动通信流量数据预测车辆流量，通过提取特征并将其与图神经网络结合，使得在没有摄像头的区域能够预测车辆流量，为交通管理提供了解决方案。

Mar, 2024

通过利用广泛的蜂窝交通覆盖捕捉移动模式，我们提出了地理蜂窝交通（GCT）流量作为解决基于位置检测器的交通预测局限性的新数据源。针对车辆相关的 GCT 流量预测，我们提出了一个图神经网络，它整合了多变量、时间和空间因素，提高了准确性。实验结果显示我们的模型在长期预测方面优于基准模型，同时我们也强调了将 GCT 流量整合入交通系统的潜力。

Jan, 2024

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

本研究提出了一种名为自适应混合时空图神经网络 (AHSTGNN) 的网络架构，用于解决基于时空模式的移动通信网络中的流量预测问题。实验结果表明，AHSTGNN 模型在两个真实的移动通信数据集上性能优于现有的预测方法。

Feb, 2023

本文提出一种专门用于精确预测网络范围内移动数据流量的时空神经网络（STN）结构和双 STN 技术（D-STN），通过在城市和农村地区 60 天的真实移动流量数据集上进行的实验，证明了所提出的（D-）STN 方法可以实现高达 10 小时的精确预测，并且与其他流行的预测方法相比，可以获得高达 61% 的更小预测误差。

Dec, 2017

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

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

提出了一种增强型移动流量预测方案，该方案结合了每日移动流量高峰时间的聚类策略和新颖的多时间卷积网络与长短期记忆模型 (multi TCN-LSTM)，实验结果显示与最先进技术相比，性能提升达到 28％，证实了该方法的功效和可行性。

Dec, 2023

本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

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