• 基于时间图卷积网络(T-GCN)交通流预测（A Temporal Graph Convolutional Network for Traffic Prediction ） 2019IEEE

• 一种基于神经网络的交通预测方法，该模型结合了图卷积网络(GCN)和门控递归单元(GRU)。GCN用于学习复杂的拓扑结构来捕获空间依赖关系，GRU用于学习交通数据的动态变化来捕获时间依赖关系。
• 论文下载链接
• 实现链接tf

• 基于注意力机制的时空图卷积网络(ASTGCN)交通流预测(AttentionBasedSpatial-TemporalGraphConvolutionalNetworks forTrafficFlowForecasting) 2019AAAI

• ASTGCN主要由三个独立部分组成，分别对交通流的三个时间特性进行建模，即邻近、每日和每周的依赖关系。其中每个独立部分又包含两部分:1)时空注意力机制，有效地捕捉交通数据中的动态时空关联; 2)时空卷积，即同时使用图卷积来捕捉空间模式和常用的标准卷积来描述时间特征。对三个分量的输出进行加权融合，生成最终预测结果
• 论文下载链接
• 实现链接tf
• 实现链接pytorch

• 基于时空动态网络(STDN)的交通流预测(RevisitingSpatial-TemporalSimilarity:ADeepLearningFramework forTrafficPrediction) 2019AAAI

• 为解决区域间的空间依赖是动态的，时间依赖虽说有天和周的模式，但因为有动态时间平移，它不是严格周期的。为了解决这两个问题，本文提出基于时空神经网络的，使用局部 CNN 和 LSTM 分别处理时空信息。一个门控局部 CNN 使用区域间的动态相似性对空间依赖建模。一个周期平移的注意力机制用来学习长期周期依赖。通过注意力机制对长期周期信息和时间平移建模
• 论文下载链接
• 实现链接tf

• 基于时空多任务学习框架(MDL)的区域交通流量预测与流向预测(Flow Prediction in Spatio-Temporal Networks Based on Multitask Deep Learning) 2019TKDE

• 设计了一个深度神经网络来预测顶点流量（命名为 NODENET），另一个深度神经网络预测边流量（命名为 EDGENET）。通过将他们的隐藏状态拼接来连接这两个深度神经网络，并一同训练。此外，这两类流量的相关性通过损失函数中的正则项来建模。基于深度学习的模型可以处理复杂性和尺度等问题，同时多任务框架增强了每类流量的预测性能
• 论文下载链接
• 暂无实现

• 基于时空图卷积网络(STGCN)交通流预测(Spatio-TemporalGraphConvolutionalNetworks: ADeepLearningFramework forTrafficForecasting) 2018IJCAI

• 一种新的深度学习结构，时空图卷积网络,由多个时空卷积块组成，时空卷积块由图卷积层和卷积序列学习层组合而成,对时空依赖关系进行建模
• 论文下载链接
• 实现链接tf

• 基于扩散卷积循环神经网络(DCRNN)的交通流预测(DIFFUSION CONVOLUTIONAL RECURRENT NEURAL NETWORK: DATA-DRIVEN TRAFFIC FORECASTING ) 2018ICLR

• 将交通流建模为有向图上的扩散过程，并引入扩散卷积递归神经网络（DCRNN）,DCRNN使用图上的双向随机游走捕获空间依赖性，以及使用具有调度采样的编码器 - 解码器架构的时间依赖性
• 论文下载链接
• 实现链接tf
• 实现链接pytorch

• 基于Conv-LSTM交通流预测(Short-term traffic flow prediction with Conv-LSTM) 2017WCSP

• 利用ConvLSTM模块对相邻区域的短时交通流数据进行处理，提取时空特征;利用双向LSTM对预测点历史交通数据进行处理，提取交通流数据的周期特征。提出了一种无需数据预处理和数据特征提取的端到端深度学习短时交通流预测体系结构。最后，集中时空特征和周期特征对交通流进行预测
• 论文下载链接

• 基于时间信息增强LSTM（T-LSTM）的单个路段流量预测(T-LSTM: A Long Short-Term Memory Neural Network Enhanced by Temporal Information for Traffic Flow Prediction) 2019IEEE

• 提出了一种时间信息增强LSTM（T-LSTM）来预测单个路段的交通流量。考虑到每天同一时间的交通流量的相似特性，该模型可以通过捕获交通流量与时间信息之间的内在关联性来提高预测准确性
• 论文下载链接

• 基于深度学习的多分枝预测模型来预测城市的短期交通流量（City-Wide Traffic Flow Forecasting Using a Deep Convolutional Neural Network）2020SENSORS

• 提出了一种基于深度学习的多分枝预测模型来预测城市的短期交通流量。在这里它引入了外部因素这一概念，例如天气、突发交通事故、节假日等都会影响交通流量。该模型利用时空交通流矩阵和外部因素作为输入，推断并输出整个路网未来的短期交通状态(流量)。为了模拟当前路段和相邻路段之间的交通流的空间相关性，采用多层全卷积框架进行互相关计算，并从局部到全局尺度提取分层空间依赖关系。同时，通过从时间轴上的近、中、远三个时间段构造交通流矩阵组成的高维张量，从历史观测中提取交通流的时间贴近性和周期性。同时考虑外部因素，用完全连接的神经网络进行训练，然后与TFFNet也就是这个模型的框架的主成分的输出进行融合。多分支模型被自动训练以拟合隐藏在交通流矩阵中的复杂模式，直到通过反向传播方法达到预定义的收敛标准
• 论文下载链接

• 基于多范围注意力双组分GCN（MRA-BGCN）的交通流预测(Multi-Range Attentive Bicomponent Graph Convolutional Network for Traffic Forecasting) 2020AAAI

• 一种用于交通预测的新型深度学习模型。首先根据路网距离构建节点图，并根据各种边沿交互模式构建边图。然后，使用双分量图卷积实现节点和边的交互。引入了多范围注意力机制来汇总不同邻域范围内的信息，并自动了解不同范围的重要性。最新研究主要集中在通过在整个固定加权图中利用图卷积网络（GCN）来对空间依赖性进行建模
• 论文下载链接

• 基于时空同步图卷积网络STSGCN的交通流量预测(Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting) 2020AAAI

• 提出了一种新颖的模型，即时空同步图卷积网络（STSGCN），用于时空网络数据预测。该模型能够通过精心设计的时空同步建模机制有效捕获复杂的局部时空相关性。同时，在模型中设计了不同时间段的多个模块，以有效地捕获局部时空图中的异质性。
• 论文下载链接
• 中文解读链接
• 实现链接mx