本研究提出COAST方法，通过因果语言模型动态调整时间步长，在复杂区域使用小步长，在简单区域使用大步长，从而显著提高计算效率和准确性。COAST在多种动态系统中优于现有技术，展示了智能自适应求解器的潜力。

提出了一种基于空间 - 时间大型语言模型（ST-LLM）的交通预测方法，通过重新定义位置上的时间步长作为标记，并结合空间 - 时间嵌入模块来学习标记的空间位置和全局时间表示。实验表明 ST-LLM 在真实交通数据集上优于最先进的模型，同时在少样本和零样本预测场景中也表现出鲁棒性。

该文介绍了一种使用可解释的人工智能方法来提前进行作物分类的方法。研究者通过训练一个基准作物分类模型，使用层内相关传播（LRP）确定显著的时间步长，并选择重要的时间索引来创建可能的最短分类时间范围。研究者确定了2019年4月21日至2019年8月9日的时间范围在准确性和提前性方面有着最佳平衡。与使用完整时间序列相比，这个时间范围仅损失了0.75%的准确性。

该文介绍了一种基于Bayesian过滤和平滑框架的并行时间概率数值ODE求解器，能够将动力系统的模拟从顺序处理转变为并行处理的形式，从而将时间步长的计算复杂度从线性降低到对数级别。