本文提出了一种新型关系性可信预测方法（CoRel），旨在解决时间序列预测中的不确定性量化问题。该方法基于图深度学习运算符，无需预知关系结构，适用于多种时间序列预测模型，并具备自适应能力。

该文汇总多项交通预测研究：利用道路指标与空间依赖提升蜂窝流量预测；通过拓扑特征发现相似路段以降低监测成本；提出STDN、谱图深度学习、GPS轨迹推断等方法，预测交通流与车辆行为，误差降低约75%，行为预测准确率达91.2%。