订单预测：
论文1：2019:ST-MGCN：基于网约车需求预测的时空多图卷积网络paper
思想：提出了区间多图卷积网络(ST-MGCN)。首先将非欧几里得的成对关系（节点-边）编码为多个图，然后使用多图卷积显式地对这些关系建模。为了利用全局上下文信息来建模时间相关性，我们进一步提出了上下文l门控递归神经网络，该网络通过上下文感知门控机制来增强递归神经网络，以重估不同的历史观测值
模型：节点回归
数据集： 北京和上海网约车数据，来源：OpenStreetMap (Haklayand Weber 2008)
论文2：2019：ODMP-GCN:基于图卷积的出发地和目的地矩阵预测:乘客需求建模的新视角 paper
思想：针对起始-目标矩阵预测ODMP问题，提出了一种统一的模型——基于网格嵌入的多任务学习(GEML)，它由两个部分组成，分别关注空间信息和时间信息。网格嵌入部分的设计是为了模拟乘客的空间移动模式和不同区域的邻近关系，预加权聚合器的目的是感知数据的稀疏性和范围。多任务学习框架侧重于建模时间属性和捕获ODMP问题的几个目标。
模型：节点回归
数据集：神州优车：https://biendata.com/competition/UAI/ 滴滴
流量预测
论文1：2019：ASTGCN：基于注意力的时空图卷积 paper
思想：抽取多个时间尺度，实时，天，周的相同时间节点，分别输入训练，然后用注意力加权三个输出的预测结果。
模型：
数据集：PeMS,加州公路数据集，但本文删去了很多节点（原始数据集3000个，只留下300个）
论文2： GMAN：用于交通预测的图形多注意网络
**思想：**采用了一种编码器-解码器架构，其中编码器和解码器均由多个时空注意块组成，以模拟时空因素对交通状况的影响。编码器对输入流量特性进行编码，译码器预测输出序列。在编码器和译码器之间，应用转换注意层将编码的流量特征转换为作为译码器输入的未来时间步长的序列表示。转换注意机制模拟了历史时间步长和未来时间步长之间的直接关系，有助于缓解预测时间步长之间的误差传播问题
模型：节点回归
**数据集：**厦门 （未公开）PeMS
停车位预测
论文：2019：SHARE-GCN：半监督递归图神经网络在全市范围的停车位可用性预测 paepr
思想：提出了一种基于半监督的递归图形神经网络(SHARE)来预测全市范围内的停车场可用性。首先提出一种层次图卷积结构来建模停车场之间的非欧几里得空间自相关。在此基础上，分别提出了上下文图卷积块和软聚类图协商块来捕获停车场之间的局部空间依赖关系和全局空间依赖关系。另外，我们采用递归神经网络来考虑停车场的动态时间依赖关系。此外，我们提出了一个停车位可用性近似模块，以弥补在空间和时间域缺失的实时停车位可用性
模型：节点回归
数据集：北京+深圳 未公开
路径失效预测
论文：LRGCN:在时间演化图中预测路径失效 paper
思想：使用一个时间演化的图，它由一段时间内的连续的图快照组成，来模拟许多真实网络。本文研究了具有广泛应用前景的时变图中的路径分类问题，如预测电信网络中的路径故障和预测未来交通网络中的路径拥挤等。为了捕获时间依赖性和图结构动力学，我们设计了一种新的深度神经网络——长-短期记忆。LRGCN将时间相邻图快照之间的时间依赖关系视为与内存的特殊关系，并使用关系型GCN来联合处理时间内和时间间的关系。我们还提出了一种新的路径表示方法self- attentivepathem床(SAPE)，将任意长度的路径嵌入到固定长度的向量中。
模型：边分类
数据集：从PeMS中生成路径数据。