本研究提出DeepSTA模型，旨在解决物流行业在异常条件下（如疫情）预测配送及时率的问题。该模型通过异常空间-时间学习模块和记忆网络，有效捕捉快递员的时空相关性，实验结果表明其性能显著优于传统方法。

本研究提出了一种基于生成扩散模型的多信号预测算法（EEG-DIF），有效捕捉多通道EEG信号的时空相关性，准确率达到0.89，具有良好的临床应用前景。

该研究提出了一种图神经网络框架，旨在处理多变量时间序列数据，自动提取变量关系并捕捉时空相关性。实验结果显示，该模型在多个数据集上优于现有方法，尤其在交通数据集上表现突出。此外，研究介绍了MAGNN和MTGODE等创新方法，在时间序列预测中取得显著效果。

该文综述了多种多元时间序列预测方法，包括：MAGNN采用多尺度自适应图神经网络捕捉变量内与跨变量相关性；MSGNN结合多尺度时空图卷积用于疫情预测；另有图学习框架联合建模时空相关性、MPR-Net多尺度分解、结合注意力与分层分解的图神经网络、记忆时序网络、FCDNet频率依赖提取、MTPNet多尺度Transformer及TimeGNN动态图表示等方法，均在基准数据集上优于现有方法。