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

本文提出了一种基于图的多步城市乘客需求预测模型，使用层次图卷积结构同时捕捉空间和时间相关性，结果表明该模型在三个真实数据集上表现出色。

May, 2019

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

本研究针对细粒度的OD矩阵的稀疏性和不确定性问题，设计了一种基于空间-时间零膨胀负二项式图神经网络 (STZINB-GNN) 方法，通过扩散和时间卷积网络分析空间和时间相关性，并融合以参数化出行需求的概率分布，提高了预测精度和可解释性。实验结果在高空间-时间分辨率下表现出了该方法的优越性。

Aug, 2022

通过使用云端边缘多个中等大小和高吞吐量的通信网络，提出了一种半分散的方法，以改进出租车需求和供应量预测，该方法结合了集中和分散设置的最佳功能，并且对于出租车需求和供应预测具有GNN-LSTM算法的优势。

Feb, 2023

介绍了一种名为空间-时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

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

本研究解决了传统交通需求预测中未能充分考虑多种区域特征的问题。我们提出了一种新颖的时空多特征感知图卷积递归网络（ST-MFGCRN），通过关注多种区域特征来提升时空理解能力。实验结果表明，该模型在两个真实世界的交通数据集上超越了现有的最先进模型，提升效果分别达到7%和8%。

Aug, 2024

本研究解决了城市配送需求联合估计与预测的问题，这在现有文献中尚未得到充分探讨。通过构建基于图的时空学习任务，该研究结合了消息传递神经网络和大型语言模型的地理空间知识编码，显著提升了模型的预测性能。实证结果表明，该模型在处理中国和美国的真实配送数据集时，优于现有的先进基线方法。

Aug, 2024