过去几年里，时空图神经网络STGNN的论文数量呈现出爆发式增长。只要翻开最新的学术期刊，你会发现它们已经悄悄渗入各个领域，比如发表于ESWA的两篇：一篇利用精细的时空图网络来建模多传感器数据，预测复杂工况下的轴承温度，属能源；另一篇将STGNN应用于预测球体撞击多层显示屏的物理量演化，属材料。

如果你读的更深入，就会发现这俩也展现了STGNN的创新趋势：不再只是交通预测的利器，而是开始解决那些需要同时理解空间结构、时间动态和复杂物理过程的特定工业难题。PS：这也是当前STGNN冲顶刊的一条核心路径。

当然，除了上述两篇，还有不少可参考的工作，这里我帮大家略过找文献这一步，需要的朋友可直接拿我整理好的11篇STGNN前沿论文，加油快进到中稿！

全部论文+开源代码需要的同学看文末

Physics-Constrained Graph Neural Networks for Spatio-Temporal Prediction of Drop Impact on OLED Display Panels

研究方法：论文提出一种物理约束的时空图神经网络方法，基于MeshGraphNets架构，通过在损失函数中融入物体穿透深度惩罚项、优化噪声注入策略及采用相对变化（位移/速度）预测节点位置，实现多层OLED显示面板落球冲击下物理量的精准时空预测与设计优化。

创新点：

• 提出物理约束MeshGraphNets，融入穿透损失项并优化相关参数，解决落球冲击模拟中的非物理穿透问题。

• 采用0.3µm高斯噪声注入提升模型鲁棒性，通过预测相对变化替代绝对位置，增强时空预测稳定性。

• 模型泛化能力优异，可作为时空代理模型结合遗传算法，实现OLED面板OCA层厚度精准优化。

研究价值：研究提出的物理约束时空图神经网络，解决了传统模型的非物理穿透问题，提升了OLED面板落球冲击物理量时空预测的精度、鲁棒性与泛化性，还实现了面板OCA层厚度的精准高效优化，为显示面板抗冲击设计提供了近实时的智能仿真与优化方案，兼具理论方法创新与工程应用价值。

MC-FSTG: A Fine-Grained Spatio-Temporal Graph Neural Network Based on Multi-Scale Operating Conditions for Bearing Temperature Prediction in High Speed Trains

研究方法：论文提出基于多尺度运行工况的细粒度时空图神经网络MC-FSTG，通过多尺度过渡工况分割、层级链式格兰杰因果分析挖掘温度变化关键时序关系，设计多模型动态图结构并引入增量哈希提升适应性，结合掩码-补全矩阵协同优化机制动态捕捉传感器局部相关性，实现高速列车轴承温度精准预测。

创新点：

• 提出多尺度过渡工况分割法，从三个时间尺度捕捉轴承温度突变与趋势特征，弥补传统工况划分的不足。

• 设计层级链式格兰杰因果分析机制，挖掘多工况下温度变化的关键时序关系，提升特征提取效率。

• 构建多模型动态图结构并引入增量哈希提升适应性，提出掩码-补全矩阵协同优化机制，动态捕捉传感器局部相关性。

研究价值：研究提出的MC-FSTG细粒度时空图神经网络，有效解决了高速列车复杂时变工况下轴承温度预测的难题，提升了预测的精度、稳定性与泛化能力，为列车轴承状态评估和异常预警提供了可靠的技术支撑，也为工业设备多传感器时空数据预测提供了新的方法参考。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“222”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏