面向时空序列预测的机器学习：综述
复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。
Dec, 2023
本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。
Nov, 2023
介绍了一种新颖的框架，即空间 - 时间多粒度框架 (STMGF)，用于提高对交通网络中长距离和长期信息的捕捉，该框架通过以分层交互方式收集信息，利用交通序列中的固有周期性与最近交通数据进行匹配以改善预测结果，并在两个真实数据集上的实验表明 STMGF 胜过所有基准模型，达到最新的性能水平。
Apr, 2024
多步预测在时间序列中，能够预测未来多个时间步长，是几乎所有时间领域的基础。本文通过表征最优预测策略的实例级方差，并提出了适用于多步预测的动态策略 (DyStrat)，在使用基于随机森林的分类器时，DyStrat 相较于最佳的固定策略有着 94% 的时间上优势，并且均方误差平均降低了 11%。我们的方法通常比当前方法的前 1 准确率提高三倍，并且表明 DyStrat 对于任何多步预测任务具有很好的泛化能力。
Feb, 2024
本文提出了一种基于因素解耦的灰色时空系统学习框架 FDG2S，用于处理存在缺失观测的非连续预测问题。该框架通过语义邻近序列采样和因子解耦聚合策略实现了对非连续状态预测的模拟。与此同时，该文中提出了一种解开不确定性的方法 DisEntangled Uncertainty Quantification 以保证模型的可靠性和可解释性。
Aug, 2022
通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。
Jun, 2020
本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。
Jun, 2022
我们提出一种名为 STSM 的模型，通过对相邻具有记录数据的区域进行对比学习，从类似感兴趣区域的位置中学习，通过选择性的屏蔽策略实现学习，最终在交通和空气污染预测任务中优于现有模型，持续降低误差。
Jan, 2024
通过自监督学习提出了一种新的多模态时空学习框架，称为 MoSSl，旨在从时间、空间和模态角度揭示潜在模式，并量化动态异质性。实验结果验证了我们方法相对于现有基线的优越性。
May, 2024
本文研究多图神经网络在长期时空预测中的应用，提出了一种新的动态多图融合模块来描述不同图之间的节点相关性，并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明，我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。
Apr, 2022