TraverseNet：在交通预测的消息传递中统一空间与时间

基于摘要分析。该研究面向具有拓扑结构的交通数据预测，提出时空图神经网络 TraverseNet，通过 message traverse 机制统一处理空间依赖与时间依赖，建模各节点受邻居不同时段历史状态影响的动态时空关系。 核心机制：作者认为，将空间依赖与时间相关性分开处理，可能损害时空关系的完整性，尤其难以表达邻居对当前节点影响中的可变延迟。TraverseNet 将空间与时间视为不可分割的整体，在时空图上利用 message traverse 机制挖掘随时间演化的节点依赖。摘要未展开消息构造、时间范围选择、聚合方式、损失函数或训练与推理流程，具体实现尚需核对全文。 证据与复现：作者报告，实验及消融、参数研究验证了方法的有效性，但摘要未提供数据集、划分协议、预测时域、对照基线、指标或具体数值，因此无法判断收益幅度及适用条件。摘要提供了实现仓库地址，但代码内容与复现条件尚未核验；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：迁移假设是，若 EEG 通道图能够表达有意义的通道关系，统一时空消息传递可能帮助建模通道间具有延迟的关联，而不仅是瞬时空间关系。可考虑复用时空图消息传递思路，但需改造图构建、采样时间尺度与任务输出；其对监督方式及数据规模的要求仍需查阅全文。交通节点依赖不等于 EEG 通道依赖，低信噪比、容积传导、跨被试差异、通道配置变化及小数据均可能使学得的延迟关系不稳定。一个可检验的小实验是在固定被试内划分、相同通道图与训练预算下，比较统一时空消息传递和分离式空间—时间建模，并通过移除跨通道历史消息检验该机制是否带来稳定收益。已有 EEG 相关工作尚未检索确认。