本研究提出了一种名为STX-搜索的方法，旨在提高高风险应用（如医疗和交通）中时空模型预测的可解释性。该方法通过新颖的搜索策略和目标函数，生成高保真度的实例级解释，优化了解释的可理解性。与现有方法相比，STX-搜索在解释质量和大小上表现更佳。

本文介绍了多种基于深度学习的风速预测模型，包括时空风速预测模型、智能混合模型和改进的门控循环神经网络。这些模型在短期风速预测中显著提高了准确性，能够有效处理噪声数据，为风能预测提供了创新的方法。

本文介绍了多种先进的时空模型，如时空场神经网络、空间贝叶斯神经网络和基于循环神经网络的动态时空模型。这些模型在空气质量推断、时间序列预测和不确定性分析等领域表现优异，展示了处理复杂空间过程的优势和灵活性。

本文综述跨城少样本交通预测研究，重点利用交通模式数据库和城市间相似性构建邻接矩阵，指导时空模型预测。相关方法包括TrafficTL、PM-MemNet、MegaCRN、MPR-Net等，实验显示预测精度提升约8%至25%，并具良好泛化性和可解释性。

该文综述了利用蜂窝网络数据预测交通流量的研究，包括结合道路指标提升精度、基于时空模型分析规律、用LTE射频计数器估计流量并借助迁移学习弥补传感器不足，以及物理信息自编码器、图注意力、DuETA框架和GCT流量等方法，旨在提升短期预测与旅行时间估计准确性。