本研究提出FlowDistill框架，旨在解决城市交通流预测中的时空依赖性和数据不足问题。该框架通过知识蒸馏实现轻量化，显著提高了预测的准确性和效率。

本研究提出了一种新颖的时空图神经网络架构，解决了传统模型忽视空间扩散影响的问题。通过真实数据验证，该模型在捕捉时空依赖性方面表现出色。

本研究提出DiffLight模型，旨在解决交通信号控制中的数据缺失问题。该模型通过部分奖励条件扩散框架，有效捕捉交叉口的时空依赖性，提升了控制性能。实验结果表明，其在多种缺失场景下表现优异。