Do We Really Need Graph Neural Networks for Traffic Forecasting?
National University of Singapore（新加坡国立大学）；University of Hong Kong（香港大学）；Nanyang Technological University（南洋理工大学）
时空图神经网络（STGNN）已成为最流行的交通预测解决方案。虽然成功，但它们依赖于GNN的消息传递方案来建立节点之间的空间依赖关系，因此不可避免地继承了GNN臭名昭著的低效率。鉴于这些事实，在本文中，我们提出了一个非常简单但非常有效的时空学习方法，名为SimST。具体来说，SimST通过两种空间学习技术来近似GNN的功效，这两种空间学习技术分别对局部和全局空间相关性进行建模。此外，SimST可以与各种时间模型一起使用，并涉及量身定制的训练策略。我们进行了五个流量基准测试的实验，以评估SimST的效率和有效性方面的能力。实验结果表明，与更复杂的STGNN相比，SimST将预测吞吐量提高了39倍，同时获得了相当的性能，这表明GNN不是交通预测中空间建模的唯一选择。
2023-01-30 cs.LG cs.SI
A Critical Audit of Spatiotemporal Forecasting Benchmark Datasets and Models
Imperial College London（帝国理工学院）；Ruhr University Bochum（鲁尔大学波鸿分校）；Queen Mary University of London（伦敦玛丽女王大学）；Ben-Gurion University of the Negev（内盖夫本-古里安大学）
本文审查了时空预测领域的基准数据集与基线，发现空间无关线性模型表现优于预期，揭示了一阶差分数据集的结构偏差，建议减少对这类数据集的依赖并提出了应用分析结果开发GNN模型的新途径。
2026-10-07 cs.LG stat.ML
Forecasting West Nile virus with deep graph encoders
Department of Statistics, Texas A&M University（统计学系，德克萨斯A&M大学）；Department of Statistics, University of Connecticut（统计学系，康涅狄格大学）；Department of Pathobiology, University of Illinois at Urbana-Champaign（病理学系，伊利诺伊大学厄巴纳-香槟分校）
本文提出线性连接图注意力层的深度 GNN 架构，并构建伊利诺伊州多源大规模数据集，用于西尼罗河病毒预测，在样本外与图外场景中显著优于现有方法。
2025-08-04 cs.LG stat.AP
Optimizing Supply Chain Networks with the Power of Graph Neural Networks
College of Computing Georgia Institute of Technology（佐治亚理工学院计算学院）
本研究基于SupplyGraph数据集探究图神经网络（GNN）在供应链需求预测中的应用，通过先进GNN方法发掘潜在依赖、解决时间复杂性，其模型在单节点预测任务中显著优于MLP、GCN等传统方法，为供应链管理相关研究与应用提供了稳健框架。
2025-01-07 cs.LG econ.GN q-fin.EC
Advancing Heatwave Forecasting via Distribution Informed-Graph Neural Networks (DI-GNNs): Integrating Extreme Value Theory with GNNs
Institute for Resources, Environment and Sustainability, University of British Columbia（不列颠哥伦比亚大学资源、环境与可持续性研究所）；Environment and Climate Change Canada（加拿大环境与气候变化部）；Department of Earth, Ocean and Atmospheric Sciences, University of British Columbia（不列颠哥伦比亚大学地球、海洋与大气科学系）；Department of Forestry, University of British Columbia（不列颠哥伦比亚大学林业系）；Department of Occupational Science and Occupational Therapy, University of British Columbia（不列颠哥伦比亚大学职业科学与职业治疗系）；Department of Space Science, Institute of Space Technology（空间技术研究院空间科学系）；Peaceful Society, Science and Innovation Foundation（和平学会科学与创新基金会）
本文提出分布信息图神经网络（DI-GNN），将极值理论中的广义帕累托分布描述符融入特征空间、邻接矩阵和损失函数，以提升稀有热浪事件的预测性能，并在加拿大不列颠哥伦比亚省气象站数据上验证了其优于基线模型的效果。
2024-11-20 cs.LG physics.ao-ph physics.soc-ph
Graph Neural Networks with Transformer Fusion of Brain Connectivity Dynamics and Tabular Data for Forecasting Future Tobacco Use
Department of Biostatistics and Data Science, The University of Texas Health Science Center at Houston（生物统计学与数据科学系，德克萨斯大学健康科学中心休斯顿分校）
本文提出了一种结合脑连接动态和表格数据的图神经网络与变压器融合模型，用于预测未来烟草使用，展示了其在医疗影像分析中的优越预测性能。
2025-12-29 cs.LG eess.IV q-bio.NC
Semi-decentralized Inference in Heterogeneous Graph Neural Networks for Traffic Demand Forecasting: An Edge-Computing Approach
New Jersey Institute of Technology（新泽西理工学院）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Mohamed Bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学）
本文提出一种基于多个cloudlets的半去中心化异构GNN-LSTM方法，用于出租车交通需求预测，有效缓解了去中心化GNN的通信开销并提升了可扩展性，使整体推理时间相比集中式和去中心化方案降低约一个数量级。
2023-04-06 cs.AI cs.LG
Exploiting Individual Graph Structures to Enhance Ecological Momentary Assessment (EMA) Forecasting
Maastricht University（马斯特里赫特大学）；University of Amsterdam（阿姆斯特丹大学）
本文研究利用个体图结构增强 EMA 多变量时间序列预测，发现时间图神经网络通过纳入变量间关系图可将 MSE 从 LSTM 基线的 1.02 降至 0.84，并验证了动态学习图的有效性。
2024-03-28 cs.LG
Graph Neural Networks for Traffic Forecasting
Laboratório Nacional de Engenharia Civil（国家土木工程实验室）；INESC-ID；Instituto Superior Técnico, University of Lisbon（里斯本大学高等技术学院）
世界人口和城市化的显著增长带来了一些重大挑战，特别是在城市交通的可持续性、维护和规划方面。与此同时，计算能力以及可用传感器和位置数据的指数级增长为这些挑战的创新解决方案提供了潜力。在这项工作中，我们专注于交通预测的挑战和审查的最新发展和应用的图神经网络（GNN），这个问题。GNN是一类深度学习方法，直接将输入作为图形数据处理。这更直接地利用了交通数据的空间依赖性，并利用了深度学习的优势，产生了最先进的结果。我们介绍并回顾了GNN的新兴主题，包括它们最常见的变体，重点是它在流量预测中的应用。我们解决了不同的方式建模交通预测（时间）图，不同的方法开发到目前为止，结合图形和时间学习组件，以及目前的限制和研究机会。
2021-04-27 cs.AI cs.LG
ForecastGrapher: Redefining Multivariate Time Series Forecasting with Graph Neural Networks
Sichuan University（四川大学）；University of Science and Technology of China（中国科学技术大学）；McGill University（麦吉尔大学）
ForecastGrapher将多变量时间序列预测重构为图神经网络上的节点回归任务，通过自定义节点嵌入、自适应邻接矩阵和GFC-GNN增强表达力，在实验中超越强基线方法。
2024-05-28 cs.LG
Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates
Politecnico di Milano（米兰理工大学）；ARIANET srl（ARIANET有限公司）
本文提出利用天气预报和未来日历事件等已知未来协变量，并通过STGNN及条件融合模块预测城市NO$_2$浓度，发现未来天气比历史交通信息影响更大。
2024-04-08 cs.AI cs.LG eess.SP
It is all Connected: A New Graph Formulation for Spatio-Temporal Forecasting
University of Oslo（奥斯陆大学）；Institute for Energy Systems (IFE)（能源系统研究所（IFE））
随着现代社会中传感器数量的不断增加，时空时间序列预测已成为对未来做出明智决策的事实上的工具。大多数时空预测模型通常包括学习空间和时间依赖性的不同组件。一种常见的方法采用一些图神经网络（GNN）来捕获空间位置之间的关系，而另一种网络，如递归神经网络（RNN），则学习时间相关性。通过将每个记录的样本表示为图中其自己的节点，而不是将特定位置的所有测量值表示为单个节点，时间和空间信息以类似的方式编码。在这种情况下，GNN现在可以直接学习时间和空间依赖性，同时还可以减少对额外时间网络的需求。此外，该框架不要求在时间维度上进行一致的测量，这意味着它也自然有助于处理不规则的时间序列、不同的采样频率或缺失的数据，而不需要进行数据填补。为了评估所提出的方法，我们将风速预测作为一个案例研究，其中我们提出的框架优于其他时空模型，使用带有Transformer或LSTM网络的GNN作为时间更新函数。
2023-03-23 cs.LG
Towards Expressive Spectral-Temporal Graph Neural Networks for Time Series Forecasting
Griffith University（格里菲斯大学）；Monash University（莫纳什大学）；University of Stuttgart（斯图加特大学）；Alibaba Group（阿里巴巴集团）；University of New South Wales（新南威尔士大学）；Emory University（埃默里大学）；Squirrel Ai Learning
本文建立理论框架揭示谱时图神经网络的表达能力，提出线性组件TGGC模型，在时间序列预测中显著优于现有方法，并提升模型效率。
2025-02-23 cs.AI cs.LG
Spatially Focused Attack against Spatiotemporal Graph Neural Networks
McGill University（麦吉尔大学）
时空预测在智能交通系统（ITS）的各种应用中起着至关重要的作用，如路线规划，导航，交通控制和管理。深度时空图神经网络（GNNs），捕捉空间和时间模式，在交通预测应用中取得了巨大的成功。了解基于GNNs的预测如何工作以及这些模型的脆弱性和鲁棒性对于现实世界的应用至关重要。例如，如果时空GNN在现实世界的交通预测应用中是脆弱的，黑客可以很容易地操纵结果，导致严重的交通拥堵，甚至城市规模的崩溃。然而，尽管最近的研究表明，深度神经网络（DNN）容易受到精心设计的扰动在多个领域，如对象分类和图形表示，目前的对抗作品不能直接应用于时空预测由于因果性质和时空机制的预测模型。为了填补这一空白，在本文中，我们设计了空间聚焦攻击（SFA），通过攻击单个顶点来破坏时空GNN。为了实现这一点，我们首先提出了逆估计，以解决因果关系的问题，然后，我们应用遗传算法与通用的攻击方法作为评价函数，以找到最弱的顶点，最后，扰动产生的逆估计为基础的优化问题求解。我们进行了实验，在现实世界的交通数据和我们的结果表明，扰动在一个顶点设计的SA可以扩散到大部分的图。
2021-09-10 cs.LG
SpikeSTAG: Spatial-Temporal Forecasting via GNN-SNN Collaboration
School of Computer Science Fudan University（复旦大学计算机学院）
本文提出SpikeSTAG架构，首次将图结构学习与脉冲神经网络结合用于多变量时间序列预测，通过自适应矩阵、多尺度脉冲聚合和双路径脉冲融合实现无浮点运算的高效时空建模，在长时域预测上超越现有方法。
2025-08-18 cs.AI cs.LG
Probabilistic Demand Forecasting with Graph Neural Networks
Amazon Web Services, Germany（亚马逊云服务（德国））；University of Edinburgh, United Kingdom（爱丁堡大学（英国））；adidas, Amsterdam, The Netherlands（阿迪达斯（荷兰阿姆斯特丹））
本文将 GNN 编码器集成至 DeepAR 并基于商品属性相似性建图，实现概率需求预测，在三个真实数据集上稳定优于非图基准。
2024-01-23 cs.LG stat.ML
TG-PhyNN: An Enhanced Physically-Aware Graph Neural Network framework for forecasting Spatio-Temporal Data
Sorbonne Center for Artificial Intelligence（索邦人工智能中心）；Sorbonne University（索邦大学）；Total Energies（道达尔能源）
提出 TG-PhyNN 框架，将物理约束融入图神经网络训练，通过两步预测策略在 GNN 内计算物理方程导数，在交通流和疾病传播等时空数据预测上显著优于传统模型。
2024-08-29 cs.LG
End-to-End 3D Multi-Object Tracking and Trajectory Forecasting
Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
三维多目标跟踪和轨迹预测是现代三维感知系统的两个关键组成部分。我们假设，这是有益的统一在一个框架下的任务，学习代理交互的共享功能表示。为了评估这一假设，我们提出了一个统一的解决方案，三维MOT和轨迹预测，其中还包括两个额外的新的计算单元。首先，我们通过引入图神经网络（GNNs）来捕获多个代理相互交互的方式，从而采用特征交互技术。GNN能够对复杂的分层交互进行建模，改进MOT关联的判别特征学习，并为轨迹预测提供社会感知的上下文。其次，我们使用多样性采样函数来提高预测轨迹的质量和多样性。学习的采样函数经过训练，可以有效地从生成轨迹分布中提取各种结果，并有助于避免生成许多重复轨迹样本的问题。我们表明，我们的方法在KITTI数据集上实现了最先进的性能。我们的项目网站是http://www.xinshuoweng.com/projects/GNNTrkForecast。
2020-08-25 cs.CV cs.LG cs.MA
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning
Orange Innovation（奥兰治创新公司）；Nantes University（南特大学）；École Centrale Nantes（南特中央理工学院）；IMT Atlantique（大西洋电信与技术学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；LS2N（南特数字科学实验室）；University of Luxembourg（卢森堡大学）；SnT（卢森堡大学安全、可靠性和信任中心）
针对现有蜂窝流量图预测方法未考虑基站动态变化的问题，本研究提出FLEXIBLE归纳式图学习方案与泛化GNN预测模型，支持一次训练适配多图且易迁移，较SOTA最高提升9.8%，小样本场景优势显著。
2024-05-14 cs.AI cs.LG cs.NI
A Systematic Literature Review of Spatio-Temporal Graph Neural Network Models for Time Series Forecasting and Classification
School of Science and Technology, University of Camerino（科学与技术学院，坎皮诺大学）；DIISM, University of Siena（DIISM，锡耶纳大学）；Syeew s.r.l.（Syeew公司）
本文系统综述了时空图神经网络在时间序列预测与分类中的应用，全面分析了不同模型的性能对比及现存挑战。
2025-11-03 cs.AI cs.LG physics.data-an
Adaptive Dependency Learning Graph Neural Networks
Monash University（莫纳什大学）；Léonard de Vinci Pôle Universitaire（达芬奇大学中心）
针对多变量时间序列缺少预定义依赖图的问题，本文融合神经网络与统计结构学习，自学习并动态构建带因果语义的图，使 GNN 在基准预测任务上显著提升性能。
2023-12-06 cs.LG
Forecasting Individual NetFlows using a Predictive Masked Graph Autoencoder
Department of Computer Architecture（计算机架构系）；Universitat Politècnica de Catalunya（加泰罗尼亚理工大学）
本文提出了一种图神经网络模型，通过准确建模图结构和连接特征来预测网络流级流量。采用滑动窗口将异构双向图划分为等大小的网络流量，利用GNN建模图结构和连接特征，实验表明在识别端口和IP时表现优异，特征重建与强预测基线相当。
2026-09-17 cs.LG cs.NI
Graph-based Multi-ODE Neural Networks for Spatio-Temporal Traffic Forecasting
Virginia Tech（弗吉尼亚理工大学）
针对长程交通预测中复杂时空依赖及现有图ODE模型忽视局部模式、缺少动态语义边的问题，提出多模块互连的GRAM-ODE，并在六个真实数据集上验证其优越性能。
2023-06-01 cs.AI cs.LG
Self-Enhanced GNN: Improving Graph Neural Networks Using Model Outputs
The Chinese University of Hong Kong（香港中文大学）；Southern University of Science and Technology（南方科技大学）
图神经网络（GNNs）由于其在基于图的任务上的优异性能而受到广泛关注。然而，现有的GNN研究集中在设计更有效的模型，而没有考虑输入数据的质量。在本文中，我们提出了自增强GNN（SEG），它使用现有GNN模型的输出来提高输入数据的质量，以获得更好的半监督节点分类性能。由于图数据由拓扑和节点标签组成，我们从这两个角度提高了输入数据质量。对于拓扑结构，我们观察到，当类间边缘（连接不同类的节点）的比率较低时，可以实现更高的分类精度，并提出拓扑结构更新以删除类间边缘并添加类内边缘。对于节点标签，我们提出了训练节点增强，它使用现有GNN模型预测的标签来扩大训练集。SEG是一个通用框架，可以很容易地与现有的GNN模型相结合。实验结果验证了SEG在不同数据集上一致地提高了GCN，GAT和SGC等知名GNN模型的性能。
2021-04-19 cs.LG stat.ML
Adaptive Graph Convolution Networks for Traffic Flow Forecasting
The Chinese University of Hong Kong (Shenzhen)（香港中文大学（深圳））；Huazhong University of Science and Technology（华中科技大学）
针对固定感受野难以适应时变道路状况的问题，本文提出 AGC-net，利用上下文注意力、多尺度图小波和移位图卷积核提升交通流预测性能，并在两个公开数据集上显著优于基线模型。
2023-07-07 cs.LG
FP-GNN: a versatile deep learning architecture for enhanced molecular property prediction
South China University of Technology（华南理工大学）
深度学习是分子设计的一种重要方法，具有相当大的预测分子特性的能力，包括物理化学、生物活性和ADME/T（吸收、分布、代谢、排泄和毒性）特性。在这项研究中，我们提出了一种新的深度学习架构，称为FP-GNN，它结合并同时学习来自分子图和指纹的信息。为了评估FP-GNN模型，我们对13个公共数据集，无偏LIT-PCBA数据集和14个乳腺细胞系表型筛选数据集进行了实验。广泛的评估结果表明，与先进的深度学习和传统的机器学习算法相比，FP-GNN算法在这些数据集上实现了最先进的性能。此外，我们还分析了不同分子指纹的影响，以及分子图和分子指纹对FP-GNN模型性能的影响。抗噪声能力和解释能力的分析也表明，FP-GNN在现实世界的情况下是有竞争力的。
2022-05-08 cs.LG q-bio.MN
Leveraging graph neural networks and mobility data for COVID-19 forecasting
Postgraduate Program in Computer Science, Federal University of Ouro Preto（奥鲁普托联邦大学计算机科学研究生院）；Department of Computing, Federal University of Ouro Preto（奥鲁普托联邦大学计算机系）；National Center for Monitoring and Early Warning of Natural Disasters（国家自然灾害监测与预警中心）
本文通过图神经网络和移动数据预测新冠疫情，发现图结构稀疏化和时间粒度影响模型效果，GNN在预测波动病例数时优于传统LSTM。
2026-04-20 cs.LG cs.SI
Heterogeneous Graph Neural Networks for Short-term State Forecasting in Power Systems across Domains and Time Scales: A Hydroelectric Power Plant Case Study
Intelligent Maintenance and Operations Systems (IMOS)（智能维护与运营系统）
本文提出异质图注意力网络，用于跨领域和多时间尺度的电力系统短期状态预测，通过建模异质传感器数据关系，提升预测精度。
2025-07-09 cs.LG cs.SY eess.SP
Ensemble Graph Neural Networks for Probabilistic Sea Surface Temperature Forecasting via Input Perturbations
Centro de Tecnologías de la Imagen Instituto Universitario de Cibernética, Empresas y Sociedad (IUCES) University of Las Palmas de Gran Canaria, Spain（图像技术中心大学计算机科学、企业和社会研究院（IUCES）大学拉斯帕尔马斯德Gran Canaria分校）
本文通过输入扰动设计改进集成图神经网络，提升海面温度预测的不确定性表示和概率校准能力。
2026-03-06 cs.AI cs.LG physics.geo-ph
Spatiotemporal Forecasting Meets Efficiency: Causal Graph Process Neural Networks
Institut Polytechnique de Paris（巴黎理工学院）；Télécom Paris（巴黎电信学院）；LTCI（通信与信息处理实验室）；Université Paris-Saclay（巴黎萨克雷大学）；CentraleSupélec（中央高等电力学院）；Inria（法国国家信息与自动化研究所）
本文提出因果图过程神经网络（CGProNet），结合因果图过程与图神经网络，利用高阶图滤波器减少参数和内存消耗，提升时空预测的运行效率，并在合成与真实数据上验证了其高效性与预测性能。
2024-05-29 cs.LG
General Semantic Knowledge Infusion for Spatio-Temporal Traffic Forecasting
Kiel University（基尔大学）；GEOMAR Helmholtz Centre for Ocean Research Kiel（基尔亥姆霍兹海洋研究中心）；ZBW – Leibniz Information Centre for Economics（莱布尼茨经济信息中心（ZBW））
本研究提出一种时空预测框架，通过融合通用知识图谱与传感器网络数据，提升GNN的交通预测精度，且验证了外部知识对预测效果的普遍增益作用。
2026-09-15 cs.LG
GRAPHTEXTACK: A Realistic Black-Box Node Injection Attack on LLM-Enhanced GNNs
针对现有单模态攻击对LLM增强GNN效果有限、攻击假设不现实的问题，提出黑盒多模态节点注入攻击GRAPHTEXTACK，通过进化优化框架构造注入节点，实验证明其攻击效果显著优于现有基线。
2025-11-16 cs.CR cs.LG
The Merit of River Network Topology for Neural Flood Forecasting
University of Oxford（牛津大学）；Technical University of Munich（慕尼黑工业大学）
本研究使用图神经网络对河流流量进行建模，发现模型未能从河流网络拓扑信息中获益，且难以预测流量峰值，揭示了神经预测并不总是受益于图结构的现象。
2024-05-30 cs.LG
Discrete Graph Structure Learning for Forecasting Multiple Time Series
University of Connecticut（康涅狄格大学）；MIT-IBM Watson AI Lab, IBM Research（MIT-IBM沃森人工智能实验室，IBM研究院）
时间序列预测是统计学、经济学和计算机科学中广泛研究的课题。探索多元时间序列中变量之间的相关性和因果关系，有望提高时间序列模型的性能。当使用深度神经网络作为预测模型时，我们假设利用多个（多变量）时间序列之间的成对信息也可以提高其预测。如果一个显式的图结构是已知的，图神经网络（GNNs）已被证明是利用该结构的强大工具。在这项工作中，我们建议在图未知的情况下与GNN同时学习结构。我们把问题转化为通过优化图分布的平均性能来学习概率图模型。分布参数化的神经网络，使离散图可以通过重新参数化可微采样。经验评估表明，我们的方法比最近提出的用于图结构学习的双层学习方法更简单，更有效，性能更好，以及基于深度或非深度学习以及基于图或非图的各种预测模型。
2021-04-21 cs.LG stat.ML
Graph Neural Networks for Electricity Load Forecasting
Centre Borelli, Ecole Normale Supérieure Paris-Saclay, Gif-sur-Yvette, France（巴黎萨克雷大学Borelli中心）；EDF Lab, Palaiseau, France（法国电力公司实验室）
本文提出结合图神经网络、注意力机制与集成聚合的综合框架用于电力负荷预测，实验证明其准确性和可解释性优于传统基线及基础模型。
2025-11-03 cs.LG
DeepHGNN: Study of Graph Neural Network based Forecasting Methods for Hierarchically Related Multivariate Time Series
Monash University（莫纳什大学）；Being AI；Léonard de Vinci Pôle Universitaire（莱昂纳多·达芬奇大学中心）；University of Granada（格拉纳达大学）
本文提出DeepHGNN框架，通过基于图的层级插值和端到端协调机制，利用各层级间可预测性差异共享信号，解决了层级时间序列预测中准确性与一致性的挑战，显著提升了预测性能。
2024-05-29 cs.AI cs.LG
Forecasting Coccidioidomycosis (Valley Fever) in Arizona: A Graph Neural Network Approach
School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）；School of Life Sciences, Arizona State University（生命科学学院，亚利桑那州立大学）；School of Mathematical and Statistical Sciences, Arizona State University（数学与统计科学学院，亚利桑那州立大学）
本研究开发了首个基于图神经网络的模型，整合监测数据与环境因子预测亚利桑那州山谷热发病率，有效捕捉时间依赖性，为早期预警和资源分配提供依据。
2025-07-14 cs.LG
MSGNN: Multi-scale Spatio-temporal Graph Neural Network for Epidemic Forecasting
The College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications（南京邮电大学通信与信息工程学院）
针对现有图神经网络在传染病预测中难以捕获长距离连接和忽略多尺度模式的问题，提出MSGNN模型，通过新颖图学习模块与图卷积模块实现多尺度时空建模，在美国COVID-19预测中优于现有方法。
2023-08-30 cs.AI cs.LG physics.soc-ph
Event-CausNet: Unlocking Causal Knowledge from Text with Large Language Models for Reliable Spatio-Temporal Forecasting
Duke Kunshan University, China（杜克大学昆山分校）；Peking University, China（北京大学）；Tongji University, China（同济大学）；University of Ottawa, Canada（渥太华大学）
针对时空GNN在非周期性交通事件下预测可靠性差的问题，提出Event-CausNet框架，结合大语言模型提取因果知识并注入双流GNN-LSTM，大幅降低预测误差，提升预测可靠性与可解释性。
2025-11-16 cs.AI cs.LG
Physics-Informed Graph Neural Network for Spatial-temporal Production Forecasting
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
基于历史数据的产量预测对油气资源的开发具有重要价值。经典的历史匹配工作流通常是计算密集型的并且依赖于几何图形。分析数据驱动的模型，如下降曲线分析（DCA）和电容电阻模型（CRM），提供了一个相对简单的模型，能够集成一定程度的物理约束的无网格解决方案。然而，解析解可能忽略地下几何形状，并且仅适用于特定的流态，否则可能违反物理条件，导致模型预测精度降低。时间序列的基于机器学习的预测模型为生产预测提供了非参数、无约束的解决方案，但由于训练数据稀疏而易于模型过拟合;因此在短的预测时间间隔内可能是准确的。我们提出了一个无网格，物理信息图神经网络（PI-GNN）的产量预测。自定义的图卷积层从历史数据中聚合邻域信息，并具有将领域专业知识集成到数据驱动模型中的灵活性。所提出的方法放松了对CRM等闭式解的依赖，并尊重给定的基于物理的约束。我们提出的方法是鲁棒的，相对于没有物理约束的传统CRM和GNN基线，具有改进的性能和模型可解释性。
2022-09-23 cs.LG physics.app-ph
Message Passing Neural Networks for Traffic Forecasting
RMIT University（皇家墨尔本理工大学）；Data61/CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）；UNSW（新南威尔士大学）；UC Davis（加州大学戴维斯分校）；ANU（澳大利亚国立大学）
本文提出消息传递GNN用于交通预测，以捕捉节点交互，实验证明其在真实与合成数据上均优于其他GNN风格。
2023-05-09 cs.LG cs.SI
Auditing Privacy Risks in LLM-Enhanced Graph Neural Networks
Beijing University of Posts and Telecommunications（北京邮电大学）
本文通过5阶段统一框架评估LLM增强型GNNs的隐私风险，发现其隐私脆弱性高于浅层文本基线，差分隐私可部分缓解风险但会导致效用下降，凸显了该领域的隐私-效用权衡。
2026-10-08 cs.CR cs.LG
Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting
Peking University（北京大学）；Alibaba Group（阿里巴巴集团）
时空预测具有广泛的应用前景，交通流预测就是其中的典型代表。交通流的复杂性和大范围的时空相关性给交通流的预测带来了极大的挑战。现有的工作通常利用浅图卷积网络（GNN）和时间提取模块来分别建模空间和时间依赖性。然而，这种模型的表示能力是有限的，因为：（1）浅层GNN无法捕获长距离的空间相关性，（2）只考虑空间连接，而忽略了大量的语义连接，这对于全面理解交通网络非常重要。为此，我们提出了时空图常微分方程网络（STGODE）。具体而言，我们通过基于张量的常微分方程（ODE）捕获时空动态，因此，可以构建更深层次的网络，并同步利用时空特征。为了更全面地理解网络，在我们的模型中考虑了语义邻接矩阵，并使用了一个精心设计的时间扩展卷积结构来捕获长期的时间依赖性。我们在多个真实世界的流量数据集上评估了我们的模型，并在最先进的基线上实现了卓越的性能。
2021-06-24 cs.LG
Graph Neural Networks with Diversity-aware Neighbor Selection and Dynamic Multi-scale Fusion for Multivariate Time Series Forecasting
University of Southern California（南加州大学）；New York University（纽约大学）
针对GNN多元时间序列预测中邻居信息冗余和单一时间尺度表示的问题，提出DIMIGNN，通过DNSM选择兼顾相似性与多样性的邻居，并利用DMFM动态融合多尺度预测，实验证明其性能持续优于已有方法。
2025-09-28 cs.AI cs.LG
HAGEN: Homophily-Aware Graph Convolutional Recurrent Network for Crime Forecasting
University of Southern California（南加州大学）
犯罪预测是城市安全的重要问题。通常，问题的目标是预测每个地理区域（如社区或审查区）在不久的将来发生的不同类型的犯罪。由于邻近区域通常具有相似的社会经济特征，这表明相似的犯罪模式，最近的最先进的解决方案构建了基于距离的区域图，并利用图神经网络（GNN）技术进行犯罪预测，因为GNN技术可以有效地利用图中相邻区域节点之间的潜在关系。然而，这种基于距离的预定义图无法完全捕捉彼此远离但具有相似犯罪模式的区域之间的犯罪相关性。因此，要做出准确的犯罪预测，主要的挑战是学习一个更好的图，揭示犯罪发生的区域之间的依赖关系，同时从历史犯罪记录中捕捉时间模式。为了解决这些挑战，我们提出了一个端到端的图卷积递归网络HAGEN，它具有几种用于犯罪预测的新颖设计。具体来说，我们的框架可以通过将自适应区域图学习模块与扩散卷积门控递归单元（DCGRU）相结合，共同捕获区域之间的犯罪相关性和时间犯罪动态。基于GNN的同质性假设，我们提出了一个同质性感知约束来正则化区域图的优化，使学习图上的相邻区域节点共享相似的犯罪模式，从而拟合扩散卷积的机制。它还纳入了犯罪嵌入，以模拟区域和犯罪类别之间的相互依存关系。在两个真实数据集上的实证实验和综合分析表明了HAGEN的有效性。
2021-09-27 cs.AI cs.CY cs.LG
FRIGATE: Frugal Spatio-temporal Forecasting on Road Networks
Indian Institute of Technology, Delhi（德里印度理工学院）
针对现有时空图神经网络在道路网络预测中存在的全节点传感、全历史数据及静态网络三大不切实际假设，本研究提出FRIGATE模型，通过结合门控Lipschitz嵌入与LSTM实现多信息融合，具备更强表达能力，在真实交通数据上性能更优且对多种现实限制鲁棒。
2023-06-14 cs.AI cs.LG
GNN-DT: Graph Neural Network Enhanced Decision Transformer for Efficient Optimization in Dynamic Environments
Delft University of Technology, Intelligent Electrical Power Grids（代尔夫特理工大学，智能电力电网）
针对动态环境中RL的稀疏奖励与可扩展性挑战，提出GNN-DT，融合GNN嵌入与残差连接，在EV充电优化中实现更优性能与更高样本效率，并具备强泛化能力。
2025-09-25 cs.LG cs.SY eess.SY
AGSTN: Learning Attention-adjusted Graph Spatio-Temporal Networks for Short-term Urban Sensor Value Forecasting
National Cheng Kung University（国立成功大学）
预测传感器值的时空相关时间序列在城市应用中是至关重要的，例如空气污染警报、自行车资源管理和智能交通系统。虽然最近的进展利用图神经网络（GNN）来更好地学习传感器之间的空间和时间依赖性，但是它们不能对传感器之间的时间演化时空相关性（STC）进行建模，并且需要预定义的图，这些图既不总是可用也不完全可靠，并且一次仅针对特定类型的传感器数据。此外，由于时间序列波动的形式在传感器之间是不同的，因此模型需要学习波动调制。为了解决这些问题，在这项工作中，我们提出了一种新的基于GNN的模型，即注意力调整图时空网络（Attention-adjusted Graph Spatio-Temporal Network，AGNN）。在AGTRAN中，开发了具有顺序学习的多图卷积来学习时间演化STC。波动调制是通过一个建议的注意力调节机制来实现的。对三个传感器数据（空气质量、自行车需求和交通流量）的实验表明，AGSTN的性能优于最先进的方法。
2021-01-29 cs.IR cs.LG cs.SI
Graph Neural Networks in Wind Power Forecasting
Ravenwits（拉文维茨）；Departamento de Análisis Matemático Facultad de Matemáticas Universidad Complutense de Madrid（数学分析系数学学院普拉多恩大学马德里）
本文研究图神经网络在风电功率预测中的适用性，基于三个风电场五年数据，以数值天气预报变量为输入，发现部分GNN架构在24至36小时预测区间上可达到与最佳CNN基准相当的性能。
2025-06-30 cs.LG cs.SY eess.SY
Structure Enhanced Graph Neural Networks for Link Prediction
Alibaba Group（阿里巴巴集团）
图神经网络（GNNs）在各种任务中表现出了良好的效果，其中链接预测是一个重要的任务。GNN模型通常遵循以节点为中心的消息传递过程，该过程递归地将邻域信息聚合到中心节点。在这种范式下，节点的特征通过边传递，而不关心节点位于何处以及它们扮演的角色。然而，被忽视的拓扑信息被证明是有价值的链接预测任务。在本文中，我们提出了结构增强图神经网络（SEG）的链接预测。SEG引入路径标记方法来获取目标节点周围的拓扑信息，然后将其结构融入到普通的GNN模型中。通过联合训练结构编码器和深度GNN模型，SEG融合拓扑结构和节点特征，充分利用图信息。在OGB链接预测数据集上的实验表明，SEG在所有三个公共数据集上都取得了最先进的结果。
2022-01-14 cs.LG
GraphToolbox: A Configurable Framework for Controlled Benchmarking of Graph Neural Network Forecasting
Centre Borelli, ENS Paris-Saclay（巴黎萨克雷高等师范学院博雷利中心）；EDF Lab（法国电力公司实验室）；Laboratoire de Mathématiques d'Orsay, Université Paris-Saclay（巴黎萨克雷大学奥赛数学实验室）
GraphToolbox是一个基于PyTorch Geometric的可配置Python框架，统一了图构建、模型训练、聚合与解释，在电力负荷预测中实现系统性架构评估，并降低预测误差。
2026-11-11 cs.AI cs.LG
HiSTGNN: Hierarchical Spatio-temporal Graph Neural Networks for Weather Forecasting
由于天气预报对人类生活的影响和大气运动的复杂性，天气预报是一项极具吸引力和挑战性的任务。在大量历史观测时间序列数据的支持下，该任务适用于数据驱动的方法，特别是深度神经网络。近年来，基于图神经网络（GNNs）的时空预测方法取得了优异的性能。然而，基于GNNS的规范方法只能单独建模每个站点的气象变量的局部图或整个站点的全局图，缺乏不同站点的气象变量之间的信息交互。本文提出了一种新的层次时空图神经网络（HiSTGNN）模型，用于模拟多站气象变量之间的跨区域时空相关性。采用自适应图学习层和空间图卷积构造自学习图，研究变量级图和站点级图节点间的隐藏依赖关系。为了捕获时间模式，设计了作为门时间卷积的骨干的扩张的起始来模拟长期和各种气象趋势。此外，提出了一种动态交互学习的层次图中建立双向的信息传递。在三个真实气象数据集上的实验结果表明，HiSTGNN在7个基线之外具有优异的性能，与最先进的天气预报方法相比，其误差降低了4.2%至11.6%。
2022-09-19 cs.AI cs.LG
FUSE-Traffic: Fusion of Unstructured and Structured Data for Event-aware Traffic Forecasting
Department of Computer Science and Engineering, University of North Texas（计算机科学与工程系，北卡罗来纳州立大学）
本文面向事件感知交通预测，提出FUSE-Traffic以融合非结构化与结构化数据，克服传统GNN依赖人工事件特征、泛化性弱及语义损失的问题。
2025-10-16 cs.AI cs.LG
Toward an Operational GNN-Based Multimesh Surrogate for Fast Flood Forecasting
Université de Toulouse, INP, IRIT, Toulouse, France（图卢兹大学, 国立图卢兹综合理工学院, 计算机与人工智能研究所, 图卢兹, 法国）；Nvidia（英伟达）；BRL Ingénierie（BRL工程公司）
本文提出基于图神经网络的多网格代理模型，用于快速洪水预报，通过合成数据训练并结合多网格连接性提升预测精度，实验表明该方法在洪峰流量和淹没地图预测中优于传统高精度模拟。
2026-04-03 cs.LG
