TG-PhyNN：一种增强的物理感知图神经网络框架用于时空数据预测

提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。

框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，实现了更精准的实时预测，尤其在犯罪和交通预测方面表现良好。

提出了一种基于张量的常微分方程网络模型，解决传统模型的表达能力不足和建模不准确的问题，实验结果领先于现有基准。

提出了一种可扩展的体系结构，利用随机循环神经网络和图相邻矩阵实现多尺度的时空特征表示，降低计算负担。

提出了全局-动态交通信息（GDTi）行为的假设，建立了全局动态空间依赖性的模型，使用时空Granger因果关系（STGC）进行建模。

提出BDGSTN模型，通过生成骨干网络和动态图预测流行病数据，实验证明其优于其他基准模型。

提出Series-Aligned Multi-Scale Graph Learning（SAMSGL）框架，减轻时间延迟对准确性的影响，提升预测性能。

提出Time-aware Graph Convolutional Recurrent Network (TGCRN)框架，联合捕捉空间和时间依赖关系，推进现有技术发展。

提出Reaction-Diffusion Graph Convolutional Network（RDGCN）和Susceptible-Infectious-Recovered Graph Convolutional Network（SIRGCN），提高空时预测的准确性和鲁棒性。

引入Temporal Graph Learning Recurrent Neural Network (TGLRN)模型，动态构建图形以准确预测交通流量。

提出自适应图扩散预测网络（SAGDFN），用于捕捉大规模多变量时间序列数据中的复杂时空相关性，表现优异。