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。

研究者提出了一种简洁时空模型ST-MLP，用于优化智能交通系统中的交通流管理。该模型结合了时间信息、空间信息和预定义的图结构，并采用通道独立策略，提高了交通预测的准确性和计算效率。实证结果表明，ST-MLP优于其他模型，鼓励进一步探索更简洁和有效的神经网络架构。