TraverseNet：统一交通预测消息传递中的空间与时间

基于摘要分析。本文研究具有拓扑结构的交通数据预测，提出时空图神经网络 TraverseNet，通过消息遍历机制将空间与时间作为不可分割的整体建模，以捕捉各节点随时间演化的时空依赖。 核心动机是：节点当前状态可能受到不同邻居在不同时段的历史状态影响，这些影响的时延还可能动态变化。作者认为，将空间依赖与时间相关性分开处理的交通预测方法难以保留这种联合关系。TraverseNet 的贡献在于统一考虑邻居与其历史状态，而非仅分别提取空间和时间特征。摘要未提供消息遍历的具体计算、时延选择方式、损失函数或训练与推理细节。 作者报告，实验、消融及参数研究支持所提方法的有效性，但摘要未给出数据集、数据划分、对照基线、指标及数值，因此无法判断优势幅度或适用边界。实验协议、消融及统计信息尚未验证。摘要提供了实现仓库地址，但代码内容、运行环境及复现完整性尚未核验。 平台推测（待验证）：假设 EEG 通道图中存在可学习的跨通道滞后依赖，该消息遍历机制可能对应固定邻接关系难以表达动态时延这一瓶颈。可复用的是联合通道与历史时间点的消息传递思路；需改造的是图构建、时间窗口和任务监督。该迁移依赖多通道同步时序、合理的图结构及足够训练数据。低信噪比、体积传导、被试差异、通道配置变化和小样本均可能使模型学到不稳定或伪相关关系。一个可检验的小实验是在固定 EEG 任务及相同 Cross-subject 划分下，对照空间与时间分离建模、固定时延和消息遍历三种设置，检验动态时延建模是否带来稳定收益。上述方案不代表已证实的 BCI 效果；已有 EEG 相关工作尚未检索确认。