本研究提出了一种认知引导变换器（CITF），旨在解决现有轨迹预测模型未考虑人类驾驶者决策的问题。通过引入“感知安全”概念，CITF在多个数据集上表现优异，尤其在长期预测方面超越现有基准，显示出实际应用潜力。

本研究提出了ActFusion统一扩散模型，旨在解决视频中动作的时间分割和长期预测问题，最终在标准基准上取得了优异表现。

本研究引入Llama-3-8B-Mob模型，解决了传统出行预测方法在多样化城市环境中的短期预测不足问题，实现了对未来15天的城市长期出行预测，结果优于现有方法，展现出强大的零样本泛化能力。

本文介绍了一种基于库普曼算子理论的深度学习模型——库普曼可逆自编码器（KIA），旨在提高非线性动力学系统的长期预测能力。KIA通过建模正向和反向动力学，显著提升了摆和气候数据集的预测准确性，长期预测能力提高了300%。此外，研究还探讨了集合模型和自适应傅立叶神经算子在气象预测中的应用潜力，为气候建模提供了新思路。

本文介绍了CloudLSTM模型，专用于预测地球空间点云生成的数据流。该模型通过动态点云卷积提取空间特征，在移动服务交通和空气质量预测中表现优异，提供准确的长期预测，超越多种神经网络模型。

深度学习在时间序列预测中取得显著进展，尤其是Transformer架构在处理长序列方面表现优异。研究综述了其在长期预测中的应用，提供最佳训练实践和潜在研究方向。此外，基于深度学习的疾病风险预测方法在临床数据分析中展现出良好前景。

本文介绍了一种名为MultiResFormer的基于Transformer的模型，能够自适应选择最佳的patch长度以动态建模时间序列变化。该模型在长期预测任务中优于传统的基于patch的Transformer，并且参数更少。此外，提出了多分辨率时间序列变压器（MTST）框架，证明了其在真实数据集上的有效性。

本文提出了一种混合预测方法，将知识模型与机器学习结合，成功预测混沌动力系统的演化。研究表明，在高噪声条件下，机器学习的建模和控制性能优于传统方法，且新方法提高了对混沌系统长期预测的能力，展示了机器学习在混沌动力学中的应用潜力。

本文介绍了一种新的编码-解码体系结构，Fusion-GRU网络，用于未来边界框定位。该方法考虑了自车视角的目标交通参与方未来位置和尺度的复杂相互作用，并引入了中介估计器和自注意力聚合层来学习长期预测的时序依赖关系。实验结果表明Fusion-GRU在预测交通参与方未来边界框方面具有良好性能。

RefreshNet是一个多尺度框架，结合了卷积自编码器和多个递归神经网络模块，具有高效率和准确性，尤其在长期预测方面表现出优势。

该文章提出了一个针对混沌系统长期预测的框架，通过两种方法处理噪声数据的多环境设置中的训练，实现保留描述动力学的不变吸引子的不变统计特性。经实证验证，该方法在保持混沌吸引子的不变测度方面表现出很好的效果。

该文介绍了一种新的机器学习模型KIA，能够高效学习低维表示，实现对长期系统行为的更准确预测。该方法在摆和气候数据集上验证了实用性，在保持抗噪性的同时，摆的长期预测能力提高了300%。同时，该方法在长期气候预测方面表现出色，验证了其有效性。

研究提出了一种新颖的空时可分图卷积网络(STS-GCN)，能够在单一图框架内捕捉动态演化和空间关节交互，长期预测性能提升超过32%，参数量仅为1.7%。

本文提出了一个针对混沌系统长期预测的框架，通过两种方法处理噪声数据的多环境训练，保留了描述动力学的不变吸引子的统计特性。实证验证表明该方法在保持混沌吸引子的不变测度方面表现出很好的效果。

本文提出了一个针对混沌系统长期预测的框架，旨在保留描述动力学的不变吸引子的统计特性。通过两种方法处理噪声数据的多环境设置中的训练，实证验证表明该方法在保持混沌吸引子的不变测度方面表现出很好的效果。