本研究提出了一种基于循环神经网络的动态时空模型，用于预测具有时空依赖的时间序列。通过结构化潜在动态组件，模型有效提取空间关系，展示了全局性与局部性在时空预测中的相互作用。此外，研究引入了CaST框架和时空图分解学习（STGDL），显著提升了多因素时空预测的准确性和可解释性。实验结果表明，该模型在多种数据集上表现优越。