本研究提出了一种新方法TedTrajRec，用于提高GPS轨迹的采样率，解决低采样率和不规则间隔问题。通过引入PD-GNN和时间感知Transformer，模型能更有效捕捉时空动态，实验结果表明其在多个数据集上优于现有方法，具有重要应用潜力。

本研究提出了一种新的图学习方法——物理编码消息传递图网络（PhyMPGN），旨在解决现有神经模型在复杂条件下预测时空动态的不足。该方法能够在小规模训练数据下有效建模不规则网格上的时空偏微分方程系统，实验结果表明其在粗糙非结构化网格上准确预测多种时空动态，性能优于其他基线方法。

本文介绍了多种人类移动性预测模型，如CSLSL、STAR、LLM-Mob和MobilityGPT，利用深度学习和生成模型提高预测准确性。研究强调因果关系、时空动态和地理约束在建模中的重要性，展示了这些方法在不同地区的适应性和优越性能，为城市规划和政策制定提供了有力工具。

本文介绍了多种数据驱动方法，如MIOFlow和基于粒子滤波的模型，旨在从不完整和噪声数据中学习和预测复杂的时空动态。这些方法结合了神经网络和最优传输技术，在处理部分观测数据和提高样本效率方面表现出色，具有广泛的应用潜力。

本研究提出了多种基于神经常微分方程的模型，如多关系图卷积网络和图神经随机微分方程，旨在提高时间序列预测的准确性和效率。实验结果表明，这些模型在多个基准数据集上表现优越，能够有效捕捉时空动态和处理不规则数据。