研究使用深度学习的 ST-ResNet 预测洛杉矶地区的实时犯罪分布，通过对原始犯罪数据进行空间和时间的正则化处理，采用细节残差卷积单元的层次结构来训练多因素犯罪预测模型，实验证明了该模型具有高度准确的预测能力。

Jul, 2017

通过对 Reddit 上的用户帖子进行收集和分析，结合关注度双向长短期记忆模型，该研究利用机器学习技术成功识别出了滥用阿片类药物的用户，并通过关注层提取了关键词，从而更好地理解该算法如何区分药物使用者和非药物使用者。

Feb, 2024

本研究使用空间时间残差网络预测了洛杉矶不同区域在小时层面的犯罪分布情况，通过和其他预测方法的比较证明了其更高的准确度，并提出使用三值化技术解决实际资源短缺的问题。

Nov, 2017

本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

Jul, 2020

本文提出了一种基于张量的常微分方程网络模型来对交通流进行空时预测，并引入了语义邻接矩阵和时态扩张卷积结构以应对传统模型的表达能力不足和建模不准确的问题。在多个真实数据集上的实验结果表明，该模型取得了领先于现有基准的更好的预测结果。

Jun, 2021

本论文描述了使用药物知识图谱（ODKG）来归一化多个临床数据中的药物命名，以监测美国不同地区的阿片类药物处方趋势，并有助于制定先进和可扩展的模型，以监测阿片类药物滥用行为。

May, 2019

本文提出了一个能够共同编码复杂犯罪空间和时间模式以及不同类别犯罪语义关系的空间 - 时间序列超图网络，该网络采用超图学习范例，设计图结构信息传递架构，并引入多通道路由机制。通过实验证明了该方法的较强预测性能。

Jan, 2022

本文研究一种新型 COVID-19 预测方法，使用图神经网络和移动数据，利用单一大规模时空图进行学习，通过在美国县级 COVID-19 数据集上的实验证明该方法相比基线模型具有更好的预测性能，可以成为理解 COVID-19 传播和演化的强大工具，鼓励其他人基于 GNN 和高分辨率移动数据进一步发展新的传染病建模方法。

Jul, 2020

我们提出了一种时空预测网络管道，它可以从环境和语义标签中获取过去的信息来生成未来的占用预测，并将其应用于复杂的 nuScenes 数据集中，相较于当前 SOTA，我们的方法可以预测长达 3 秒的占用情况，并不需要 HD-Maps 和明确模拟动态物体。

May, 2022

本研究利用监督学习技术预测犯罪活动，通过分析先前犯罪活动记录和模式，该系统基于决策树和 K 最近邻算法进行预测，同时使用随机森林算法和 Adaboost 提高准确性，并使用过采样来提高准确性。

Mar, 2020