面向路网交通流态势预测的图神经网络模型? ? J-20
- 首先，基于图小波变换定义图小波卷积算子，设计了面向路网交通流态势预测的图小波卷积神经网络模块；
- 其次，结合时空注意机制构建了用于道路网络交通流态势预测的时空动态相关性模型，以捕获交通网络的动态时空相关性；
- 最后，采用叠加多层图小波神经网络模块的策略，构建了一种面向路网交通流态势预测的图小波卷积神经网络模型，从交通网络节点邻域中捕获时空相关性。
数据集：PeMSD-4（包含交通流量、平均速度、平均车道占有量）、PeMSD-8
网络图：节点为传感器，相邻路段的传感器为邻居节点。无向图。
?
?
考虑时空影响下的图卷积网络短时交通流预测? ? J-20-10
GraphSAGE算法改进GCN，以及加和聚合算子和图注意力机制(GAT)，提取、聚合空间特征。将包含空间特征的输出作为 GRU 模型的输入提取时间特征。
采用图卷积网络与门控循环单元组合构成一个包含五层神经网络层的深度神经网络
- 先根据真实路网中各路段之间的相邻关系构造路段之间的邻接矩阵作为图卷积网络的有向图数据，将采集到的车流量数据与邻接矩阵一同作为图卷积网络的输入， 用经过 GraphSAGE 算法改进后的图卷积网络采集并聚合相邻路段所提取到的含有空间特征的车流量数据。
- 再结合门控循环单元可以处理时间序列数据的特点，将图卷积网络中已经降维的输出数据作为其自身的输入，由此提取出含有时间特征的 1 维向量作为最终的预测结果
数据集：榆林市。十天工作日，前六天为训练数据，后两天为测试数据，七八天为验证集。8：30-21：30
网络图：结点代表各路段的采集器，边代表路段，箭头代表方向。本文定义的单方向的有向图。
基于图神经网络的交通流量预测? ? D-20
- 首先先提出了一种基于时空特征的交通流量预测模型，其分别采用两种不同的图神经网络（GCN、GIN、图注意力网络）提取道路网络交通流的空间特征【对比得到效果最好的图注意力网络】；
- 然后采用循环神经网络(RNN)中的一个简单而又强大的变体门控递归单元(GRU)来对道路网络交通流的时间依赖性建模；
- 最后，采用序列到序列模型(sequence tosequence, SeqSeq)进行长期预测，生成最终的预测结果。
- 预测时引入自动编码器机制降低模型的复杂度，在训练时引入计划采样机制来提高预测精度。
最终提出了一个优化后的交通流量预测模型。
数据集【传感器】：METR-LA交通数据集、PEMS-BAY交通数据集、XIAMEN交通数据集
网络图：使用阈值高斯核构造邻接矩阵
基于图卷积网络的路网短时交通流预测研究? ? J-20
模块一（上面）考虑路网拓扑结构，模块二（下面—）考虑交通流的时空相关性。?
数据集：来自区域综合交通信息系统(RITIS)。2017.1.1-3.31。前两月作为训练集，后一个月作为测试集。前60 min速度数据预测未来 30 min 的路网速度。
网络图：节点为路段，边为路段的连接关系。