本研究提出了一种新框架脉冲动态图网络（SDGN），用于动态学习多变量点过程中的时空依赖关系。实验结果表明，SDGN在预测准确性和计算效率上优于现有方法，但在处理密集图形和某些非高斯依赖关系方面仍需改进。

该文综述了多项时空神经网络研究，涵盖交通预测、视频动作识别、电池寿命预测等领域，提出ASTGCRN、动态图卷积、时空注意力等模型，利用图卷积和注意力机制捕捉复杂时空依赖，在预测精度和解释性上优于基线方法。

该文综述了多种基于图卷积与循环神经网络的交通流量预测模型，包括Motif-GCRNN、DGCRN、ASTGCRN、TGC-LSTM、MW-TGC、ADGCRNN、USTGCN、MAGCRN、PGCN和STGCN。这些方法通过动态图卷积、注意力机制和多尺度时空建模捕捉路网的时空依赖关系，实验表明其预测性能优于基线模型。

该文综述机器学习与深度学习在作物产量预测中的应用：随机森林等模型精度较高；CNN-RNN、图神经网络及CNN-LSTM-DNN等可捕捉时空依赖，提升预测表现；结合APSIM模拟特征可降低误差；深度强化学习可优化氮肥管理；高分辨率弱监督方法及价格预测模型亦展现潜力。