本文提出了一系列时空数据建模和预测框架，重点处理稀疏数据。通过结合自激励点过程和图结构循环神经网络，提升了实时预测的准确性，尤其在犯罪和交通预测方面表现优异。新模型TGCRN和SAGDFN在真实数据集上取得了领先的预测效果，展现了在复杂时空相关性建模中的优势。

该文综述时空数据建模与预测框架，涵盖自激励点过程、图循环神经网络、动态图结构及预训练模型等方法，用于犯罪、交通等稀疏时空数据预测。研究强调捕捉动态时空依赖、融合全局与局部信息，并提升多尺度表示与计算效率，在多个真实数据集上取得先进性能。