利用一阶马尔可夫过程基于复杂网络来可视化时间序列，以更好地保留时间依赖性和频率结构，并提供更好的可视化探索和统计分析。

Oct, 2016

研究了处理现实场景需求的过程推理，通过设计了一组图形轨迹推理任务，基于图形网络，通过关注流机制提高准确性和解释性。

Nov, 2018

本文提供了一种简单快速的计算方法，即可将时间序列转换为图形，该方法称为可视性算法。生成的图形在结构上继承了系列的多个特性，如周期系列转换为规则图形，随机系列则转换为随机图形。 此外， 分形系列转化为无标度网络，这增强了幂律分布与分形性相关的事实。 可以利用这种新方法来从新的角度表征时间序列。

Oct, 2008

本文提出了一种方法来建模词群之间的流动行为、识别不同用户群体之间词汇聚类的先导滞后关系，使用基于动态时间扭曲的改进 Bayesian 条件协整来学习不同群体词汇之间的联系，采用基于张量的技术将这些链接单词聚类到不同的簇（ideas）中并跟踪 ideas 的流动，经过实验验证，该方法相对于传统聚类技术和精度更高，可用于帮助用户了解社交媒体上不同用户群体之间想法的流动。

Dec, 2015

该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

Feb, 2019

本文提出了一种称为 Network Flow Motifs 的新型模式，可以在约束的时间窗口内模拟一组顶点之间的重要流量传递，并设计了一种寻找大型图中流模式实例的算法，并在三个真实数据集上评估了算法性能并发现了网络中的有趣模式。

Oct, 2018

该论文通过使用时态点过程和变分自编码器提出了一种无需人工边缘指定的模型，学习推断节点间的时间关注力，从而具有更大的灵活性和更好的性能，用于动态链接预测任务。

Sep, 2019

我们提出了一种简单而高效的方法，通过在注意力矩阵上直接应用可学习的自适应卷积核，使注意力层能更好地编码这些数据集的短期时间偏差。在实验中，我们选择了使用电子健康记录（EHR）数据集的各种预测任务，因为它们是具有底层长期和短期时间依赖性的绝佳示例。我们的实验结果表明，在大多数任务和数据集上，与表现最佳的模型相比，我们的分类结果非常出色。

Oct, 2023

该研究提出了两种高效而准确的 “数字孪生” 模型，利用图注意力神经网络（GAT）来捕捉交叉口内交通的时态、空间和情境方面的因素，并具有多种应用，包括交通信号优化、车道重新配置、驾驶行为分析以及提升交叉口安全和效率增强等。

Apr, 2024

本文提出了一种基于循环神经网络带有注意力机制和频域信息的多元时间序列预测方法，并在多项实际应用任务中实现了最佳性能。

Sep, 2018