本研究提出了多种基于图卷积网络的交通速度预测模型，成功引入了空间依赖性和时间动态，显著提高了预测精度。新框架如ST-GDN和USTGCN在实验中优于现有模型，展示了深度学习在智能交通中的应用潜力。

本文探讨了物理信息的结构性因果模型（PI-SCM）在交通速度预测和流行病传播中的应用，提出了一种自适应推断方法以应对数据变化问题。同时，引入了对标签噪声鲁棒的拟合得分，应用于医学图像分类，显示出优越的预测性能。此外，提出了改进的合拟合预测框架（PLCP），在多个数据集上验证了其在覆盖率和长度方面的优势。

本文提出了多种新颖的生成式预训练框架，以解决智能城市应用中的数据稀缺问题。GPDiff 和 MultiGPrompt 方法在交通速度预测和人群流动预测任务中表现优异，展示了良好的适应性和高效性。此外，研究引入了时空提示网络（STPN）和图形模型的多任务提示方法，提升了视频理解和图形任务的性能，具有广泛的应用潜力。