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

本文提出了一种基于图神经网络和持续学习的流式交通流预测框架TrafficStream，通过交通模式融合方法和 CL 实现对具有扩展和发展模式的网络模型的高效学习，同时构建流式交通数据集进行验证，实验证明该模型在长期流场中高效提取交通模式的潜力。

Jun, 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

该论文提出了一种新的可迁移交通预测框架——域对抗时空网络（DASTNet），该框架通过预先训练多个源网络并使用目标网络的流量数据进行微调来实现跨不同城市的交通预测。使用图表示学习和对抗性领域适应技术来学习领域不变节点嵌入，并将其进一步融入到模型中来进行时空交通数据建模。在三个基准数据集上的实验表明，DASTNet始终优于所有最先进的基线方法。

Feb, 2022

为了优化智能交通系统（ITS）中的交通流管理，及时准确的交通预测的关键性已引起了大量学术关注。在道路图结构中，时空图神经网络（STGNNs）因其适应性而受到赞赏。然而，目前关于STGNNs架构的研究往往更偏向于复杂设计，从而导致计算负担增加，但提高的准确性不明显。为了解决这个问题，我们提出了ST-MLP，一种基于级联多层感知机（MLP）模块和线性层的简洁时空模型。具体来说，我们结合了时间信息、空间信息和预定义的图结构，并成功实现了通道独立策略——这是一种在时间序列预测中有效的技术。实证结果表明，ST-MLP在准确性和计算效率方面优于最先进的STGNNs和其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁和有效的神经网络架构。

Aug, 2023

该研究探讨了在智能交通系统中交通预测领域中图神经网络的应用。研究比较并分析了三种主要的GNN体系结构：图卷积网络（Graph Convolutional Networks），图采样和聚集（Graph Sample and Aggregation）以及门控图神经网络（Gated Graph Neural Networks）。研究结果显示，GGNNs是三个模型中最有效的选择，通过均方根误差和平均绝对误差（MAE）展现了预测性能，GCNs的均方根误差为9.10，平均绝对误差为8.00，而GraphSAGE显示出改进，均方根误差为8.3，平均绝对误差为7.5。门控图神经网络（GGNNs）表现出最低的均方根误差，为9.15，令人印象深刻的平均绝对误差为7.1，使其成为最佳选择。

Oct, 2023

提出了一种基于不确定性感知的交通预测框架，通过结合交通流理论和图神经网络的模型设计，在单次模型训练中能够量化不同来源的不确定性，并利用预测集的估计不确定性来筛选出足够包含信息内容的数据集。实证研究结果表明，从2018年到2021年，白天超过80%的交通数据可以被删除，而剩余20%的样本对于训练模型具有相同的预测能力，从而证明了该方法在评估大型交通数据集的实际信息内容方面的价值。

Oct, 2023

提出了一种用于交通流预测的混合时变图神经网络(HtvgNN)。

Jan, 2024

提出一种神经时空延迟微分方程模型（STDDE）进行交通流预测，该模型结合了延迟效应和连续性，通过明确地建模时空信息传播中的时间延迟，设计了可学习的交通图时延估计器，并提出了连续输出模块，从而实现在不同频率下准确预测交通流的灵活性和适应性。

Feb, 2024

本研究解决了现有交通预测方法在传感器位置之外无法预测交通流的问题。提出的异质时空图序列网络（HSTGSN）通过利用起点和终点节点之间的依赖关系，能够捕捉到长距离的交通流动态。实验证明，该方法在未完全OD需求的情况下，仍能实现准确的流量预测与良好的泛化能力，具有重要的城市交通管理应用价值。

Aug, 2024