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UrbanDiT模型，旨在城市环境中进行时空动态建模，结合多种数据源，采用数据驱动和任务特定提示，展现出优越的性能和零-shot能力。

本研究提出了一种新方法——物理编码消息传递图网络（PhyMPGN），解决神经模型在复杂条件下预测时空动态的不足。该方法在小规模数据上有效建模不规则网格的时空偏微分方程。实验结果表明，PhyMPGN在非结构化网格上准确预测多种时空动态，优于其他方法。

本文介绍了一种基于有限元的物理信息算子学习框架，用于预测由偏微分方程控制的时空动态。该框架利用了受有限元方法和隐式欧拉时间积分方案启发的损失函数。经过训练，该框架能够准确预测任意初始温度场的时间演化，并适用于具有异质热导率和任意几何形状的情况。该框架的优势在于无需大量昂贵的模拟或实验数据集，训练效率高，并能处理任意几何形状。