在真实世界中,许多回归预测问题都可以用图结构的方式进行建模。将数据实体变量表示为图上的节点,数据实体变量之间的连通性或者关联程度即可作为变量之间潜在的链接关系。同时,在大多数情况下,网络中的节点特征会随着时间发生动态的变化,这不仅使得网络中的节点自身具有时序上的变化特性,而且使得处于网络中不同空间位置的节点之间具有了时序上的关联特征。本文针对具有时序特性的图网络回归预测问题中存在的共性问题展开研究:如何对时序图网络中节点的邻域空间特性和时序特性进行建模。主要的工作内容如下:（1）针对静态拓扑类型的时序图节点回归预测,本文提出了一种适用于静态拓扑的时序图神经网络模型。首先,针对节点自身的高阶空间特征建模问题,提出结合Node2vec和GCN的图卷积模块,更加全面地捕捉空间特征信息;其次,针对短时间内节点特征与拓扑空间结构的双重影响力学习问题,提出具有残差图注意力的双向时序空间编码层;最后,为了提高关键时刻的网络状态对预测时刻的影响力并缓解模型的误差传递,引入时序多头注意力以解决该问题。（2）针对动态拓扑类型的时序图节点回归预测,本文提出了一种适用于动态拓扑的时序图神经网络模型。首先利用改进的时序信息编码模块,改善了时序图上的时间依赖学习方式;然后针对多类型节点和链接的建模问题,改进了基于类型的多头图注意力,在图卷积过程中融入时间编码特征并实现自动捕获网络中的重要语义信息。（3）基于适用于静态拓扑的时序图神经网络模型实现一种交通速度预测方法,并在两个真实交通数据集中进行实验,验证了该模型对空间和时间依赖建模的有效性,最后实现应用系统原型以展示效果。（4）基于适用于动态拓扑的时序图神经网络模型实现一种学术文献被引数预测方法,并针对引用序列实现一种改进的异质子图采样器,提取引用序列对应的邻域子图并为节点动态分配时间标签,在保留图上丰富语义信息的同时,使得模型能够扩展应用到大规模的时序图中,并通过实验验证了本文所提出模型的有效性,最后实现应用系统原型以展示效果。