本文由机器翻译，仅供参考，感兴趣请查阅论文原文

核心速递

提前采取针对COVID-19的遏制措施的决定有多重要？;
Covid-19模式转换对道路交通的影响;
对希腊的COVID-19时间传播进行建模和预测：基于复杂网络定义的样条的探索性方法;
人口密度和COVID-19的传播;
美国COVID-19大流行期间的人员流动趋势;
讨论COVID-19锁定期间数字游戏对玩家福祉的影响;
两级隔离模型;
复杂的社会传染病导致多重网络的双稳态;
缓解图神经网络在欺诈检测中的不一致性问题;
图信号的特征向量中心性盲估计：超越低通滤波;
开放图基准：图上机器学习的数据集;
社会网络中的情感悖论：为什么您的朋友比您更积极？;
随机网络中的信息传播;
使用复杂网络分析课程计划;
美国国内航空运输网络研究：2001年至2016年网络拓扑结构的时空演变和健壮性;
k核与复杂网络中的社区结构之间的相互作用;
国家气象服务的未来是什么？;
TRIPDECODER：根据智能卡数据研究地铁系统的旅行时间属性和路线偏好;
潜在星型拓扑对块Schelling模型的有趣影响;
分数优先连接无标度网络模型;
学习地理上下文嵌入以进行通勤流量预测;

提前采取针对COVID-19的

遏制措施的决定有多重要？

原文标题：

How relevant is the decision of containment measures against COVID-19 applied ahead of time?

地址：

http://arxiv.org/abs/2005.01473

作者：

Eduardo L. Brugnago, Rafael M. da Silva, Cesar Manchein, Marcus W. Beims

摘要：研究列出了以下国家/地区截至2020年4月30日为止由新的冠状病毒爆发确诊的受感染个体的总数：比利时，巴西，英国和美国。在新感染者发病率较低的最初阶段之后，观察到确诊病例数的幂律增加。对于每个国家，获得了不同的增长指数。对于比利时，英国和美国等受感染人数众多的国家而言，在幂律增长之后，接近饱和状态时会获得独特的行为。巴西仍处于幂律增长中。数据和预测的这种更新证实了有关病毒的幂律增长及其在世界上某些国家之间的强距离相关性的最新结果。此外，我们证明及时行动是卫生组织在与COVID-19（由最近发现的冠状病毒引起的传染病）的斗争中拥有的最相关的非药理武器之一。我们研究了在三个不同的日期（即4月16日（早期），4月30日（当前），和5月14日（晚））应用改变社交距离和每天进行的检测以识别无症状的个体的每日检测方法如何会干扰确诊的COVID-19病例数。结果表明，必须采取围堵措施才能使曲线变平，应尽快采取措施。

Covid-19模式转换

对道路交通的影响

原文标题：

Impacts of Covid-19 mode shift on road traffic

地址：

http://arxiv.org/abs/2005.01610

作者：

Yue Hu, William Barbour, Samitha Samaranayake, Dan Work

摘要：本文受到以下问题的驱动：随着COVID-19大流行之后社区的重新开放，交通方式的改变会导致交通状况比以前更差吗？这个问题可能至关重要，特别是如果许多人急于使用单人车辆。为此，我们估计随着道路上汽车数量的增加，交通拥堵将如何增加，并确定最敏感的城市交通使用率下降。出行时间和出行方式共享来自美国人口普查局美国社区调查的数据，用于全美大都市地区。BPR模型用于将平均旅行时间与乘车旅行的通勤者的估计人数联系起来。然后，如果过境和停车场用户的不同部分切换为单人使用车辆，我们将评估道路上增加的车辆数量，并根据BPR模型报告最终的出行时间。这些情景预测，除非交通运输系统能够快速恢复安全，高吞吐量的运营，否则交通运输量大的城市将面临极端交通的风险。

对希腊的COVID-19时间

传播进行建模和预测：基于

复杂网络定义的样条的探索性方法

原文标题：

Modeling and forecasting the COVID-19 temporal spread in Greece: an exploratory approach based on complex network defined splines

地址：

http://arxiv.org/abs/2005.01163

作者：

Konstantinos Demertzis, Dimitrios Tsiotas, Lykourgos Magafas

摘要：在COVID-19健康管理的复杂框架内，各国之间诊断测试的标准，公共卫生资源和服务的可用性以及所应用的抗COVID-19政策之间存在差异，在世界范围内抗击该疾病的过程中，时间扩散的建模可以证明是有效的。本文对希腊的疾病演变进行了探索性的时间序列分析，目前提出了成功管理COVID-19的成功案例。所提出的方法建立在对时间序列中的连接社区进行检测的最新概念上，并开发了一种新颖的样条回归模型，其中通过复杂网络中的社区检测来确定结向量。总体而言，该研究为COVID-19研究做出了贡献，它提出了无中断的过去数据和可靠的预测框架，从而可以促进对可用卫生资源的决策和管理。

人口密度和COVID-19的传播

原文标题：

Lived population density and the spread of COVID-19

地址：

http://arxiv.org/abs/2005.01167

作者：

Dave Babbitt, Patrick Garland, Oliver Johnson

摘要：我们考虑了COVID-19传播速度的差异，首先是在欧洲国家之间进行比较，其次是在美国各州之间进行比较。我们表明人口密度对病毒的传播速度有很小但重要的影响。但是，我们表明，“居住人口密度”的测量方法可以更好地解释传播速度的变化，从而获得了 R ^ 2 = 0.45 的收益，该测量值反映了随机选择的人所感知的密度。我们表明，基于爆发时间在回归中添加其他度量可以将其增加到 R ^ 2 = 0.58。

美国COVID-19大流行

期间的人员流动趋势

原文标题：

Human Mobility Trends during the COVID-19 Pandemic in the United States

地址：

http://arxiv.org/abs/2005.01215

作者：

Minha Lee, Jun Zhao, Qianqian Sun, Yixuan Pan, Weiyi Zhou, Chenfeng Xiong, Lei Zhang (Maryland Transportation Institute, Department of Civil and Environmental Engineering, University of Maryland, College Park, MD, USA)

摘要：今年3月，COVID-19被宣布为大流行病，并继续威胁着公众健康。这场全球性健康危机对日常活动施加了限制，使我们社会的每个部门都恶化了。理解公众对病毒的反应和非药物干预措施将以战略性方式对抗COVID-19。我们旨在通过比较美国各地的每日变化来提供人类出行趋势的切实证据。通过利用移动设备位置数据和与社会疏远相关的措施，可以观察到总体上的大规模公共出行。我们的研究捕获了关于大流行传播和非药物干预的时空异质性以及社会人口学变化。在国家紧急状态宣布之后，所有调整后的流动性指标都反映出公共活动减少。在所有州，留在家里的人口都在增加，并且在留在家里的次序变小后变得更加稳定。收入或人口密度组之间存在总体流动性异质性。公众一直在对本州已确认的病例做出积极反应，自愿更多地留在家中，而留在家中的订单稳定了变化。该研究表明，公众出行趋势符合政府敦促留在家里的信息。我们期望以数据为依据的分析能够提供综合的观点，并可以作为提高公众意识的证据，并因此在协助政策制定者的同时加强社会疏离的重要性。

讨论COVID-19锁定期间

数字游戏对玩家福祉的影响

原文标题：

Discussion of digital gaming’s impact on players’ well-being during the COVID-19 lockdown

地址：

http://arxiv.org/abs/2005.00594

作者：

Hiroko Oe

摘要：这项研究讨论了如何在限制人们活动的COVID-19锁定期间利用数字游戏来支持其用户的福祉并维持其身心健康。研究综述了英语撰写并可以在在线数据库上访问的已出版学术文献，以开发关键知识和框架，以讨论如何在COVID-19锁定中提高人们的福祉。已经发现与虚拟社区中其他参与者的互动会对缺乏社会联系的人们的心理健康产生积极影响。还开发了一个针对COVID-19锁定的关键情况的进一步研究框架，因为这是一个紧急问题，对我们的健康有巨大影响。一些游戏服务提供商已积极重新设计适合的游戏程序锁定状态，这使玩家甚至可以在家享受体育锻炼。

两级隔离模型

原文标题：

Two-level modeling of quarantine

地址：

http://arxiv.org/abs/2005.01505

作者：

Evgeniy Khain

摘要：流行病的连续模型没有考虑社会联系的潜在微观网络结构。在隔离期间，大多数人会大大减少其社交互动的数量，而其他人（例如杂货店的收银员）则每天继续保持数百个联系，因此这种缺陷变得更加严重。我们制定了一个两级隔离模型。在微观层面上，我们以星状网络结构为模型模拟单个邻域。在介观水平上，将邻域放置在具有最近邻相互作用的二维晶格上。将建模结果与密歇根州（美国）多个县的COVID-19数据进行比较，并确定参数的相图。

复杂的社会传染病

导致多重网络的双稳态

原文标题：

Complex social contagion induces bistability on multiplex networks

地址：

http://arxiv.org/abs/2005.00664

作者：

Longzhao Liu, Xin Wang, Shaoting Tang, Zhiming Zheng

摘要：探索复杂的社会传染性，尤其是当暴露于多种来源时的社会强化动力，对于理解当今复杂的集体行为的传播至关重要。尽管以前的工作只专注于单层网络，但多层加固的详细影响却是未知数，而多层加固是多个社会圈子中促进作用的特征。为此，我们将多层加固合并到多路网络上的无知扩散-无知（SIS）模型中。我们的理论分析结合了成对方法和均值场理论，并且与大规模仿真非常吻合。出乎意料的是，我们发现这种复杂的社会传染机制触发了双稳态现象的出现，在这种情况下，灭绝和暴发状态并存。此外，我们表明双稳态区域的最终状态取决于采用者的初始密度，其临界值随着传染性或多层增强材料的增加而降低。特别是，我们着重指出了社会传染病爆发的两个可能条件：具有较大的传染性传播能力，或者具有较强的多层加固的采用者的初始密度较大。我们的结果表明，复杂的动力学机制产生了强大而不可忽视的影响，这为数字时代的传播行为提供了宝贵的见解。

缓解图神经网络在

欺诈检测中的不一致性问题

原文标题：

Alleviating the Inconsistency Problem of Applying Graph Neural Network to Fraud Detection

地址：

http://arxiv.org/abs/2005.00625

作者：

Zhiwei Liu, Yingtong Dou, Philip S. Yu, Yutong Deng, Hao Peng

摘要：基于图的模型可以帮助在线检测可疑欺诈。由于图神经网络的发展，先前的研究工作提出了许多基于同构图或异构图的基于GNN的欺诈检测框架。这些工作遵循现有的GNN框架，方法是聚集邻居信息以学习节点嵌入，它基于以下假设：邻居共享相似的上下文，特征和关系。然而，几乎不研究不一致问题，即，上下文不一致，特征不一致和关系不一致。在本文中，我们将介绍这些不一致之处，并设计一个新的GNN框架 mathsf GraphConsis ，以解决不一致问题：（1）对于上下文不一致，我们建议将上下文嵌入与节点特征结合起来，（2 ）对于特征不一致，我们设计一致性得分以过滤不一致的邻居并生成相应的采样概率，并且（3）对于关系不一致，我们学习与采样节点关联的关系注意权重。对四个数据集的经验分析表明，不一致问题对于欺诈检测任务至关重要。大量的实验证明了 mathsf GraphConsis 的有效性。我们还发布了具有SOTA模型实现的基于GNN的欺诈检测工具箱。该代码位于 textcolor blue url https://github.com/safe-graph/DGFraud。

图信号的特征向量

中心性盲估计：超越低通滤波

原文标题：

Blind Estimation of Eigenvector Centrality from Graph Signals: Beyond Low-pass Filtering

地址：

http://arxiv.org/abs/2005.00659

作者：

T. Mitchell Roddenberry, Santiago Segarra

摘要：本文描述了仅从节点上的数据估计网络特征向量中心性的困难，即没有关于网络拓扑的信息。我们将此节点数据建模为通过将白噪声通过通用（不一定是低通）图滤波器生成的图信号。利用图过滤器的谱特性，我们可以估算基础网络的邻接矩阵的特征向量。为此，提出了一种简单的选择算法，该算法在基本图滤波器的最小假设下选择信号协方差矩阵的正确特征向量。然后，我们介绍了该算法的渐近和非渐近性能的理论特征，从而为中心度估计提供了样本复杂性界限，并揭示了驱动这种复杂性的关键因素。最后，我们通过在不同随机图模型上进行的一组数值实验说明了已开发的见解。

开放图基准：

图上机器学习的数据集

原文标题：

Open Graph Benchmark: Datasets for Machine Learning on Graphs

地址：

http://arxiv.org/abs/2005.00687

作者：

Weihua Hu, Matthias Fey, Marinka Zitnik, Yuxiao Dong, Hongyu Ren, Bowen Liu, Michele Catasta, Jure Leskovec

摘要：我们介绍了开放图谱基准（OGB），它是一组具有挑战性和现实意义的基准数据集，旨在促进可扩展，健壮和可再现的图机学习（ML）研究。OGB数据集是大规模的，包含多个重要的图ML任务，并且涵盖从社会和信息网络到生物网络，分子图和知识图的各种领域。对于每个数据集，我们使用特定于应用程序的数据拆分和评估指标提供统一的评估协议。我们的实证研究揭示了现有图方法在处理大型图和预测分布数据方面所面临的挑战。OGB提供了一个自动的端到端图ML管道，该管道简化并标准化了图数据加载，实验设置和模型评估的过程。OGB将定期更新，并欢迎社区的投入。OGB数据集以及数据加载器和评估脚本可从https://ogb.stanford.edu获得。

社会网络中的情感悖论：

为什么您的朋友比您更积极？

原文标题：

Sentiment Paradoxes in Social Networks: Why Your Friends Are More Positive Than You?

地址：

http://arxiv.org/abs/2005.00731

作者：

Xinyi Zhou, Shengmin Jin, Reza Zafarani

摘要：大多数人认为他们的朋友比他们自己更积极，表现出情感悖论。心理学研究将此悖论归因于人类认知偏差。为了理解这种现象，我们研究了社会网络中的情感悖论。我们的工作表明，用户的社交关系（朋友，追随者或关注者）确实（不仅只是虚幻地）比用户本身更积极。这主要是由于积极的用户拥有更多的朋友。我们确定了从三合会到大型社区的不同网络级别上的五个情感悖论。提供了经验和理论证据来验证这种情绪悖论的存在。通过调查情绪悖论与其他发达的网络悖论之间的关系，即友谊悖论和活动悖论，我们发现用户情绪与其朋友数量呈正相关，而与社交活动却很少。最后，我们演示了情绪悖论如何用于预测用户情绪。

随机网络中的信息传播

原文标题：

Information Propagation in Stochastic Networks

地址：

http://arxiv.org/abs/2005.00758

作者：

Peter Laszlo Juhasz

摘要：本文建立了一种基于随机网络的信息传播模型。该模型描述了具有任意程度分布的互连网络中的信息流。网络连接根据独立的泊松过程传播信息。推导了一个概率微分方程系统，并通过数值求解了预期的接收时间。通过数值求解微分方程组，我们可以确定：-预期的知觉节点数与功能时间的关系;-每个特定时刻的知觉节点集的度分布-以及节点度之间的关系及其接收时间。网络仿真证明了结果的有效性。在无标度和Erd H os—R ‘enyi网络中分析了信息传播的特征。

使用复杂网络分析课程计划

原文标题：

Analyzing course programmes using complex networks

地址：

http://arxiv.org/abs/2005.00906

作者：

Suzane F. Pinto, Ronan S. Ferreira

摘要：我们使用复杂网络的统计物理学工具分析了我们研究所工程学普通年级的课程。自然地，课程程序是以网络形式构造的（时间依赖性和先决条件）。在这种方法中，每个程序中的每个主题都与一个节点相关联，该节点又通过表示一个主题的依赖关系的链接进行连接，以了解不同学科中的另一个主题。由于课程程序是时间相关的结构，因此我们提出了一个简单的模型来分配节点之间的链接，同时仅考虑教学过程的两个要素：递归性和知识积累。由于我们已经知道这些课程，因此我们的目标是验证所提出的模型是否能够捕获其特殊性，并确定在工程学学位的早期，不同顺序对学生学习的影响。我们的模型可以用作协助构建更多跨学科课程的系统工具，从而在精确科学的本科早期学科之间做出明确的规定。

美国国内航空运输网络

研究：2001年至2016年

网络拓扑结构的时空演变和健壮性

原文标题：

A study of the U.S. domestic air transportation network: Temporal evolution of network topology and robustness from 2001 to 2016

地址：

http://arxiv.org/abs/2005.01101

作者：

Leonidas Siozos-Rousoulis, Dimitri Robert, Wouter Verbeke

摘要：美国航空运输网络（ATN）对于美国的机动性和功能至关重要。因此，有必要确保其连接良好，高效且坚固。尽管对其拓扑进行了广泛的研究，但网络鲁棒性和容忍度的时间演变仍未得到充分探索。在本文中，根据1996年至2016年的年度航班数据对美国国内ATN进行了时间研究，并使用网络分析技术检查了9/11事件之后的重组影响以及系统的当前状态。。计算了中心度度量，以评估系统的拓扑及其全局稳定性。通过模拟目标攻击场景，使用节点删除方法来评估网络的容忍度。研究表明，就效率和安全性而言，9/11恐怖袭击引发了网络的大规模重组。随着引入了新的机场和航线，空中交通得到了扩展。航空公司重新考虑了战略并优化了运营，从而使网络得以迅速恢复并变得更加高效。安全问题导致网络健壮性的显著提高。自2001年以来，由于网络的扩展，美国ATN的全球流量和拓扑特性一直在持续增长。另一方面，系统的鲁棒性没有显示出改善的趋势。研究结果表明，尽管该系统在极端情况下维持其运行水平的能力最近有所提高，但其对有向攻击的容忍度却有所下降。所提出的方法可以应用于不同的网络级别或不同的运输网络，以提供系统漏洞的总体信息。

k核与复杂网络中的

社区结构之间的相互作用

原文标题：

Interplay between k-core and community structure in complex networks

地址：

http://arxiv.org/abs/2005.01147

作者：

Irene Malvestio, Alessio Cardillo, Naoki Masuda

摘要：在最大的节点集中具有至少 k 个邻居的最大节点集中的网络组织（称为 k 核心分解）已用于研究各种现象。研究表明，最内层的 k 外壳中的节点在传染过程，共识的产生和系统的复原力中起着至关重要的作用。已知许多经验网络的 k -core分解不能用单独的每个节点的程度或等效地用保留每个节点的程度的随机图模型（即配置模型）来解释。在这里，我们研究了一些经验网络以及一些随机对应网络的 k 核心分解，并研究了社区结构可以解释网络的 k -shell结构的程度。我们发现在随机化过程中保持社区结构对于生成其 k 核心分解接近经验分解的网络至关重要。我们还强调，在某些网络中，最里面的 k 外壳中的节点集中到少数社区中。

国家气象服务的未来是什么？

原文标题：

What is next for National Meteorological Services?

地址：

http://arxiv.org/abs/2005.01425

作者：

Alberto Arribas, Nial H. Robinson, Phil Evans

摘要：天气预报是上个世纪最大的科学技术成就之一。如今，国家气象局通常会产生对整个社会和许多经济部门产生重大积极影响的预报。这项成功与超级计算的改进有着内在的联系，根据摩尔定律，超级计算的改进已增加了多个数量级，从而为模型复杂性和分辨率的提高奠定了基础。但是，有充分的理由相信我们可能已经走到了这条路的尽头。技术不连续性和环境变化的结合意味着NMS面临着数十年来最高水平的不确定性和变化。这带来了新的组织挑战，改变了NMS内部现有的权力和社会结构。过去经历过类似转型的其他行业的分析表明，我们进入的变革时期可能长达三十年，而且存在很大的风险，即天气行业的基础可能会发生重大变化。因此，NMS不仅要充分利用其资源，以充分利用当前技术发展趋势中不断减少的改进，还需要同时创新技术，以确保其在未来可以创造价值。本文分析了国家气象局可用的战略选择。

TRIPDECODER：

根据智能卡数据研究地铁

系统的旅行时间属性和路线偏好

原文标题：

TRIPDECODER: Study Travel Time Attributes and Route Preferences of Metro Systems from Smart Card Data

地址：

http://arxiv.org/abs/2005.01492

作者：

Xiancai Tian, Baihua Zheng, Yazhe Wang, Hsiao-Ting Huang, Chih-Chieh Hung

摘要：在本文中，我们的目标是恢复地铁系统内通勤者所走的确切路线，这些路线未被自动票价收集（AFC）系统捕获，因此仍然是未知的。我们从战略上提出两项推理任务来处理恢复情况，一项推断每个旅行链接的旅行时间，这些旅行时间有助于地铁网络内任何旅行的总时长，另一项则根据历史旅行记录和每个旅行时间来推断路线偏好在先前的推理任务中推断出的旅行链接。由于这两个推理任务具有相互关系，因此大多数现有工作同时执行这两个任务。但是，我们的解决方案TripDecoder采用了完全不同的方法。尽我们所知，TripDecoderis是第一个指出并充分利用地铁系统内有一些行程且只有一条实际路线可用的事实的模型。通过仅使用一条实际路线将那些行程记录作为行进时间的第一个推理任务的输入，并将推断出的行进时间作为第二个输入提供给第二个推理任务，从战略上分离了这两个推理任务，这不仅提高了准确性，而且有效地降低了两个推理任务的复杂性。根据新加坡和台北的AFC系统捕获的城市规模的实际旅行记录，进行了两个案例研究，以比较TripDecoder及其竞争对手的准确性和效率。正如预期的那样，TripDecoder在两个数据集中均达到了最佳精度，并且还展示了其卓越的效率和可伸缩性。

潜在星型拓扑对块

Schelling模型的有趣影响

原文标题：

Intriguing effects of underlying star topology in Schelling’s model with blocks

地址：

http://arxiv.org/abs/2005.01504

作者：

Guifeng Su, Qi Xiong, Yi Zhang

摘要：我们在Schelling的分离模型中探索了潜在的恒星拓扑结构的有趣效果，即通过恒星空间拓扑实现全局优化。分别引入和不引入少量利他剂的情况下，均会对星形拓扑产生的重大后果进行理论分析和数值模拟。可以仅使用纯自我主义者对模型的集体效用进行优化，并通过潜在的星形拓扑实现最佳稳态。更令人惊讶的是，一旦引入一定比例的利他主义者，平均效用就随着利他主义者的比例增加而逐渐降低。这与通常的具有网格拓扑的Schelling模型的结果形成了鲜明的对比。

分数优先连接无标度网络模型

原文标题：

The Fractional Preferential Attachment Scale-Free Network Model

地址：

http://arxiv.org/abs/2005.01512

作者：

Rafał Rak, Ewa Rak

摘要：自然界产生的许多网络具有两个通用属性：它们是在preferential Attachment过程中形成的，并且是无标度的。考虑到这些特征，通过干扰preferential Attachment的机制，我们提出了Barab’asi-Albert模型-“ Fractional Preferential Attachment”（FPA）无标度网络模型的推广-生成具有时间独立度分布 p（k） sim k ^ – gamma 的网络，度指数为 2 < gamma leq3 （其中 gamma = 3 对应于BA模型的典型值））。在FPA模型中，控制网络属性的元素是 f 参数，其中 f in（0,1 rangle 。根据 f 参数的不同值，我们以数值方式研究统计属性。我们研究了FPA网络的拓扑特性，例如度分布，度相关性（网络分类性），聚类系数，平均节点度，网络直径，平均最短路径长度和分形特征，并将获得的值与结果进行比较可以发现，根据 f ，FPA模型生成的网络具有与现实网络类似的参数，而且，表明 f 参数对 f 具有重要影响。以及生成的网络的度分布和度相关性，因此，FPA无标度网络模型可以作为现有网络模型的有趣替代方案。不论 f 的价值如何，FPA网络都不是分形的。

学习地理上下文嵌入

以进行通勤流量预测

原文标题：

Learning Geo-Contextual Embeddings for Commuting Flow Prediction

地址：

http://arxiv.org/abs/2005.01690

作者：

Zhicheng Liu, Fabio Miranda, Weiting Xiong, Junyan Yang, Qiao Wang, Claudio T. Silva

摘要：根据基础设施和土地使用信息预测通勤流量对于城市规划和公共政策制定至关重要。但是，鉴于通勤流的复杂模式，这是一项艰巨的任务。常规模型（例如引力模型）主要源自物理原理，并在需要考虑许多因素的现实世界场景中受其预测能力的限制。同时，大多数现有的基于机器学习的方法都忽略了空间相关性，无法对附近区域的影响进行建模。为了解决这些问题，我们提出了地理上下文多任务嵌入学习器（GMEL），该模型可从地理上下文信息中捕获空间相关性以进行通勤流量预测。具体来说，我们首先构建一个包含地理上下文信息的地理邻接网络。然后，基于图注意力网络（GAT）的框架，提出了一种注意力机制，以捕获空间相关性，并将地理上下文信息编码为嵌入空间。两个单独的GAT用于建模供需特征。多任务学习框架用于引入更严格的限制并增强嵌入表示的有效性。最后，基于学习的嵌入训练梯度提升机，以预测通勤流量。我们使用来自纽约市的真实数据集评估了我们的模型，实验结果证明了我们的建议相对于最新技术的有效性。