本研究提出了一种基于数据驱动图滤波器（GCNN-DDGF）的图卷积神经网络模型，可以学习车站之间隐藏的异质性相关性以预测大规模自行车共享网络中车站级别的小时需求。根据多种自行车共享系统数据建立和比较了6种GCNN模型和7种基准模型，并在New York City的一个Citi Bike数据集上进行了测试，结果表明GCNNrec-DDGF的表现最佳，其次是GCNNreg-DDGF。此外，通过DDGF获得更详细的图网络分析，发现它捕捉了一些嵌入在SD，DE和DC矩阵中的细节信息，而且还揭示了车站之间不被这些矩阵揭示的隐藏的异质性成对相关关系。

Dec, 2017

本研究提出了一种新的多图卷积神经网络模型，通过构建多个站点之间的关系图，从图的角度提高了单个站点自行车流量的预测准确性，可帮助单车共享系统管理者做出决策

Jul, 2018

本文提出了一种基于深度学习的新模型ST-ED-RMGC，用于准确预测不同OD对的出租车需求。在曼哈顿出租车数据集的广泛实验中，该模型的表现优于现有技术。

Oct, 2019

本文提出了一种新颖的图卷积神经网络模型来进行交通需求预测，该模型在不同层次使用不同的邻接矩阵，并通过层间耦合机制实现邻接矩阵的自学习以及模型参数规模的降低，并使用一个单元网络来将隐藏空间状态与门控循环单元集成起来进行最终预测结果。在实验中，本模型在纽约市自行车和出租车数据集上的效果均优于现有的基准模型。

Dec, 2020

该研究提出了一种基于IrConv+LSTM的非规则卷积神经网络模型，可用于改善城市自行车共享短期需求预测，其考虑到了非相邻城市之间的联系。该模型在新加坡的无桩共享单车系统和芝加哥、华盛顿、纽约和伦敦的四个基于站点的系统，表现出比其他基准模型更好的性能。

Feb, 2022

本研究提出了一种基于图的深度学习方法（B-MRGNN）来预测单车共享需求，并利用多模式历史数据作为输入，在不同交通模式之间建立空间依赖性，实验结果表明比现有方法具有更好的性能。

Mar, 2022

本文提出了一种基于多模式历史数据的领域对抗多关系图神经网络（DA-MRGNN）来预测共享单车的需求和补给平衡，实验结果证明其相对于现有方法具有卓越的性能和不同模型组件的有效性，并且通过可解释性技术来解释预测结果。

Nov, 2022

本研究针对自行车共享系统随着规模扩大而面临的新站点规划和旅行需求预测问题，提出了一种基于图神经网络的方法，以多源城市建筑环境数据为基础进行局部化图构造，使用注意力机制学习识别不同站点之间的相关性，对其应用情景进行了实际验证并与现有方法进行了比较，结果表明我们的方法具有更好的性能和解释力。

Mar, 2023

本文提出了一种名为交互卷积网络（Interactive Convolutional Network，ICN）的深度学习模型，用于预测共享微移动的时空旅行需求，该模型利用多维度的空间信息来构建深度学习模型，并评估了在芝加哥和奥斯汀两个真实案例中的表现，结果显示该模型明显优于选定的基准模型，在优化车辆平衡方案和城市共享微移动系统管理方面发挥作用。

Jun, 2023

我们提出了一种深度学习框架来预测公共自行车租赁和归还模式，通过利用卡图法来实现对新安装站点需求以及长期预测的预测，我们在首尔，南韩的公共自行车租赁和归还数据上展示了我们框架的有效性和潜在应用。

Mar, 2024