PyTorch Geometric 是一个基于 PyTorch 的深度学习库，用于处理不规则结构的输入数据，如图形，点云和流形。该库通过利用稀疏 GPU 加速，提供专用的 CUDA 内核以及引入对不同大小的输入示例的高效小批量处理，实现了高数据吞吐量。本文详细介绍了该库，并在同质评估场景下对实现的方法进行了全面比较研究。

Mar, 2019

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

本研究提出了以循环神经网络为基础的动态时空模型，用于预测具有时空依赖的空间过程的时间序列，通过结构化的潜在动态组件学习这些依赖关系，从而预测观测结果，模型经过多种预测问题的评估和比较，被证明能够从中提取出相关的空间关系。

Apr, 2018

我们开发了一种新的时空方法，通过集成从摊销变分推断、神经微分方程、神经点过程和隐式神经表示等技术，有效处理随机采样的数据，并对未来观测的概率位置和时间进行预测，从而在预测准确性和计算效率上显著超越现有方法，成为研究和理解在真实无约束条件下观察到的复杂动力系统的有用工具。

Jun, 2024

本文提出了一种结合高级时空图和序列学习成功的递归神经网络（RNN）的方法，通过将任意时空图转化为丰富的 RNN 混合物来提高模型性能，适用于模拟人类运动到对象交互等多种问题领域。

Nov, 2015

本文提出了一个新的深度学习框架，名为 3D-TGCN，它通过与传统空间信息不同的方式构建道路图，并提出了一个 3D 图卷积模型来更准确地模拟时空数据，并在实证结果中取得了优于现有基线的未来交通预测精度。

Mar, 2019

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

Apr, 2018

该研究论文提出了一种物理引导的神经网络，利用频率增强的傅里叶模块和矩损失来增强模型估计时空动态的能力，并提出了具有物理约束的自适应二阶龙格 - 库塔方法，以更准确地建模物理状态。实验结果表明，该模型在时空预测和视频预测任务中表现出色，在多个数据集上具有最佳性能，而参数数量却更少。

May, 2024

本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。

Sep, 2017