공간-시간 예측은 다양한 응용 분야에서 큰 관심을 끌고 있으며, 교통 흐름 예측은 그 대표적이고 전형적인 사례이다. 교통 흐름은 복잡한 장거리 공간-시간 상관관계를 가지므로, 가장 해결하기 어려운 과제 중 하나로 여겨진다. 기존의 연구들은 일반적으로 얕은 그래프 컨볼루션 네트워크(GNN)와 시계열 추출 모듈을 활용하여 공간적 및 시간적 의존성을 각각 모델링한다. 그러나 이러한 모델의 표현 능력은 다음과 같은 한계를 지닌다: (1) 얕은 GNN은 장거리 공간적 상관관계를 포착할 수 없으며, (2) 공간적 연결만 고려할 뿐, 교통 네트워크에 있어 매우 중요한 의미적 연결(semantic connections)을 무시하게 된다. 이를 해결하기 위해 우리는 공간-시간 그래프 미분 방정식 네트워크(Spatial-Temporal Graph Ordinary Differential Equation Networks, STGODE)를 제안한다. 구체적으로, 텐서 기반의 미분 방정식(ODE)을 통해 공간-시간 역학을 모델링함으로써, 더 깊은 네트워크 구조를 구축하고 공간-시간 특징을 동시에 활용할 수 있다. 또한 네트워크를 더 포괄적으로 이해하기 위해 본 모델은 의미적 인접 행렬(semantical adjacency matrix)을 도입하였으며, 장기적인 시간적 의존성을 효과적으로 포착하기 위해 설계된 시계열 팽창 컨볼루션(temporal dilated convolution) 구조를 사용한다. 제안한 모델은 여러 실제 교통 데이터셋에서 평가되었으며, 최신 기준 모델들에 비해 뛰어난 성능을 보였다.