该文综述时空序列预测（STSF）研究，比较其子类别与两大挑战，提出机器学习方案及未来方向。内容涵盖多步预测策略、多输出模型集成、MIMO与M-SVR、微分模糊卷积网络、生成模型动态高斯混合、分数差分结合情感分析等，强调多输出策略、季节性消除和输入变量选择对提升预测精度的重要性。

该文综述高斯过程在多领域的应用，包括从多模态实验数据中提取共享与独立潜变量、研究神经元编码，以及用于无线通信、机器人跟踪和卫星遥感生物物理参数估计。文章还提出多输出高斯过程、潜在变量多输出高斯过程、低秩马尔科夫逼近和深度高斯过程等改进模型，以提升可扩展性、预测性能和不确定性量化。