本文探讨了知识图谱和图神经网络在交通预测中的应用，提出了多种模型以提高预测精度。研究表明，门控图神经网络（GGNNs）在交通预测中表现最佳，均方根误差和平均绝对误差均优于其他模型。此外，统一时空图卷积网络（USTGCN）模型在实验中超越了现有技术，减少了培训时间。

本文提出了统一的时空扩散模型（USTD），通过结合条件信息和共享时空模式，提升了预测和不确定性估计的性能。同时介绍了USTGCN和TimeGraphs等模型，展示了它们在交通预测和动态推理任务中的优势。