本研究提出了一种新型多任务学习框架DG-STMTL，用于智能交通系统中的时空交通预测。该框架结合静态和动态邻接矩阵，通过特定门控机制提高预测精度，实验结果表明其优于现有方法，具有良好的效果与稳健性。

本研究提出了一种新颖的OD-CED预测模型，旨在满足共享出行平台的时空预测需求。该模型利用无监督空间粗化技术和编码-解码架构，有效捕捉语义和地理依赖性。实验结果显示，该模型在处理稀疏度超过90%的OD矩阵时，显著优于传统统计方法。

本研究提出LangYa预测系统，有效解决了跨时空和空气-海洋耦合预测的挑战，显著提升了海洋状态变量的预测准确性和速度，支持1至7天的预报。

本研究提出了一种新颖的时空图神经网络架构，结合编码-解码结构和门控递归单元（GRU），旨在解决传统时空预测模型未能充分考虑空间扩散影响的问题。该模型在印度比哈尔州和中国的真实数据集上验证，展现出优秀的时空依赖性捕捉能力。

本研究提出了一种新型变换器模型PredFormer，旨在解决传统时空预测学习中的并行化和性能问题。通过优化的Gated Transformer块，该模型在多个数据集上显著提升了预测精度和计算效率，展现了实际应用潜力。

本文探讨了图神经网络在空间过程模拟中的应用，提出了多种模型和框架以提高时空预测的准确性和效率。研究涉及物理感知元学习、MeshGraphNets和随机循环神经网络，强调全局与局部特征的相互作用，并提出数据驱动的专家模块以捕捉物理过程的演化规律。实验结果表明，这些方法在处理复杂时空问题时具有显著优势。

本研究提出了一种基于上下文的时空预测学习方法，解决了车对车（V2V）信道状态信息预测中的四维数据处理问题。通过因果卷积长短期记忆网络和上下文条件关注机制，提高了时空记忆更新效率。实验结果表明，该方法在不同几何配置下的预测性能优于现有模型，展现了良好的鲁棒性和适应性。

本研究提出了一种基于循环神经网络的动态时空模型，用于预测具有时空依赖的时间序列。通过结构化潜在动态组件，模型有效提取空间关系，展示了全局性与局部性在时空预测中的相互作用。此外，研究引入了CaST框架和时空图分解学习（STGDL），显著提升了多因素时空预测的准确性和可解释性。实验结果表明，该模型在多种数据集上表现优越。

本文提出了一种创新的三元注意力变换器，通过整合Triplet Attention Module，替代传统循环单元，提升了时空预测学习的效率和质量。实验结果显示，该方法在移动物体轨迹、交通流和人体动作捕捉等任务中表现优异，超越了现有技术。

本文探讨了结合物理知识与深度学习的方法，以提高时空预测的准确性和效率。研究内容包括物理辅助的时空网络、超分辨率框架和模块化设计，实验结果表明这些方法在动态系统模拟和高分辨率视频预测中表现优异。

本文探讨了时空预测学习的最新进展，提出了统一时空预测学习框架（USTEP），并介绍了空间-时间动态网络（STDN）和三元注意力变换器等新方法，这些方法在交通预测和其他时空任务中显著提升了性能，推动了自监督学习在时空应用中的发展。

本文探讨了全局性与局部性在图的时空预测中的相互作用，提出了包含可训练节点嵌入的方法论框架。研究表明，图形模型的专业化对准确预测至关重要。此外，提出了敌对空间时间攻击框架，显著降低了交通预测模型的性能，同时提高了算法的鲁棒性。还介绍了基于循环神经网络的动态时空模型和自适应图形时空网络，均在交通预测中表现优异。

清华大学提出了GPD模型，利用扩散模型生成神经网络参数，实现时空少样本学习。GPD在人群流动和交通速度预测任务中表现出色，平均提高了7.87%。该模型适配性强，可与不同时空预测模型结合使用。

该文介绍了一种新的时空预测方法，可用于任意分布的点。该模型利用偏微分方程推导数据动态的连续时间模型，并通过有限元方法在空间域的网格化中估计未知动态对每个单元格的瞬时影响。该模型具有更好的预测性能，并具有独特的可解释性。

本文提出了一种新的循环单元 SwinLSTM，它与 Swin Transformer 块和简化版的 LSTM 相结合，用自注意力机制替代了 ConvLSTM 中的卷积结构。在多个数据集上，SwinLSTM 在时空预测任务中表现优于最先进的方法，特别在预测准确性方面展现了显著的提升。