本研究利用库普曼理论提出新方法，解决时空图神经网络在动态理解和行为解释上的复杂性。通过动态模式分解和稀疏非线性动力学识别，成功识别感染时间和受感染节点，推动时序图的理论理解与应用。

本文介绍了一种改进的扩展动态模式分解与字典学习方法，用于预测复杂动力学特征系统的时间演化。该方法在不同系统中的性能表现显著优于传统方法，并且与状态空间方法的预测结果相当。