该研究提出了一种因果增强的发源地-目的地流量预测框架，旨在解决发展中国家城市中的数据稀缺问题。通过迁移城市间的知识，该方法提高了预测精度，实验结果表明，OD流量预测的均方根误差降低了多达11%。

本研究提出了一种基于河流流量图的因果流量预测方法（CSF），克服了传统水文建模在流量预测中的局限性。该方法结合时空图神经网络和领域知识，在德克萨斯州Brazos河流域的实际案例中优于常规方法，展示了其在水文建模中的应用潜力。

本研究提出了异质时空图序列网络（HSTGSN）解决交通预测中无法预测传感器位置之外交通流的问题。实验证明该方法在未完全OD需求下，仍能准确预测流量并具有良好的泛化能力，具有重要的城市交通管理应用价值。