本文介绍了混合时空图卷积网络（H-STGCN）和异质时空图序列网络（HSTGSN）等多种交通预测方法，这些方法通过实时数据和深度学习技术显著提高了交通流量和行程时间的预测准确性，适用于复杂交通环境，具有重要的城市交通管理应用价值。

该论文介绍了ST-GRAT、H-STGCN和COOL等新型交通预测模型，利用空间和时间注意力机制及图神经网络技术，显著提升了交通流量预测的准确性和效率，尤其在复杂条件下表现优异。实验结果显示，这些模型在多个基准数据集上均优于现有方法。