通过深度学习对时空数据进行不确定性量化，可以解决在高风险决策应用中出现的预测错误问题，并为未来的研究方向提供了潜在的机会。

Nov, 2023

深度学习模型对交通预测的强大预测性能使其得到广泛应用，但缺乏可解释性限制了其在实际智能交通系统中的部署。通过使用不确定性量化方法，我们调查了这些方法在跨多个城市和时间段的大规模基于图像的交通数据集上的应用，以获得对现有不确定性方法在交通预测中的实用性以及不确定性与城市交通动态之间的关系的全面认识。在在时间和时空转移任务上比较了两种认知不确定性方法和两种他稳不确定性方法后，我们发现可以恢复有意义的不确定性估计。此外，我们进一步演示了如何利用不确定性估计来检测城市交通动态变化中的无监督异常点。通过对莫斯科市的代表性案例研究，我们发现我们的方法能够捕捉到交通行为的时间和空间效应。我们的工作是在交通预测任务中推动不确定性意识的进一步发展，并旨在突出不确定性量化方法对于更好理解城市交通动态的价值贡献。

Aug, 2023

提出一个基于循环神经网络和神经随机微分方程的框架，以处理不规则采样下时间序列插补中的不确定性量化问题，并通过解析表达式量化和传播时刻间认知和随机不确定性，该方法在 IEEE 37 总线测试分布系统上优于现有的时序数据插值不确定性量化方法。

Jun, 2023

本研究应用 Bayesian 概率框架和近似推理技术，对神经状态空间模型进行不确定性量化，得出模型输出的可信区间和惊奇指数，以有效诊断模型在潜在危险的分布区域内的使用可能性。

Apr, 2023

在这篇论文中，我们提出了统一的时空扩散模型（USTD），以条件信息和共享的时空模式为基础，统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络，有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结合，USTD 在预测和 Kriging 的下游任务中取得了最先进的性能，并提供了宝贵的不确定性估计。

Oct, 2023

本文提出了 CUQDS 框架，该框架旨在量化现有轨迹预测模型在数据分布转移下的预测轨迹不确定性，并在训练阶段考虑模型预测准确性的提高和估计不确定性的减少。

Jun, 2024

本文主要关注基于贝叶斯推理的在线手写识别模型的不确定性量化，特别是针对时空数据的不确定性量化方法。通过采用 SWAG 和 Deep Ensembles 两种方法，对数据和模型的不确定性进行评估，以更好地了解模型，并在右手和左手写手（一个低比例的群体）组合时检测到超出分布的数据和域漂移等方面取得一定效果。

Jun, 2022

本文提出了一种基于贝叶斯 RNN 模型的非线性时空预测方法，旨在通过量化不确定性来提高预测准确性，同时通过简单修正基本的 RNN 以适应非线性时空数据的独特性。该方法成功应用于一种 Lorenz 模拟以及两个实际的非线性时空预测应用。

Nov, 2017

本文提出一种基于空间不确定性的半监督学习方法，通过二元分割的正则化替代任务，结合教师 - 学生框架，同时针对高自信度区域信息进行研究，解决了标注数据不足的人群计数问题，实验证明该方法优于现有半监督方法。

Jul, 2021

本文提出了一个针对人类姿态预测的开源库，其中包含多种模型、数据集和标准化的评估指标，旨在促进研究，并向统一和公平的评估发展。该研究通过提出建模其他模型的不确定性，并引入一个新的方法来量化任何模型的认知不确定性，证明其在准确性方面有高达 25% 的改进，并在不确定性估计方面表现更好。

Apr, 2023