提出了一种基于图神经网络的流行病预测模型 EpiGNN，该模型通过传播风险编码、区域感知图学习器和外部资源融合等操作，能够更好地探索流行病的时空依赖关系，提高预测效果。在 5 个真实流行病数据集上的实验结果表明，EpiGNN 模型的 RMSE 表现比现有模型均有 9.48% 的提高。

Aug, 2022

该论文提出了一种结合流行病学方程和深度学习的方法来模拟 COVID-19 疾病传播情况，结果表明，这种方法在五个国家和地区具有良好的预测能力和可视化表现。

Jun, 2023

提出了 Spatial-Frequency Attention Network（SFANet），这是一个新颖的深度学习框架，通过解决传统方法难以捕捉气象系统复杂动力学的问题，在高分辨率数据存在的情况下提高时空天气预测的准确性。通过整合先进的令牌混合和注意机制，SFANet 优化处理高维时空序列的过程，以捕捉组件间的关系信息和建模广泛的长距离关系。具有空间频率注意模块的 SFANet 能够捕捉复杂的跨模态相关性，并在两个不同数据集上展示了惊人的性能，证明其在预测降水模式和预测 El Niño 事件方面具有卓越的能力。

May, 2024

基于多尺度时空图神经网络（MSGNN），利用传输区域疫情信号并将其整合到多尺度的图形中，通过新设计的图卷积模块挖掘多尺度的疫情模式，实现了新冠肺炎在美国新增病例的准确预测，该方法优于现有技术，并提供了稳定和可解释的预测结果。

Aug, 2023

本文提出了一种基于 hypernetworks 的通用框架 HyperST-Net，用于深度学习的空间 - 时间数据，包括空间模块、时间模块和推理模块，通过在神经网络中设计不同类型的 HyperST 层，本文将其应用于三种不同的真实世界任务，并取得了显著的改进。

Sep, 2018

本文提出了一种名为多图融合网络（MGFN）的模型，通过人类移动数据的地理位置相似性融合模块，将人类移动数据的多种模式嵌入到该模型中，这有助于进行交叉领域的预测任务，如犯罪预测，并在实际城市数据集上进行了广泛的实验，结果表明，MGFN 模型优于现有技术方法，最大提高了 12.35％。

Jan, 2022

为了实现准确的多元时间序列（MTS）预测，我们重新考虑了互信息的角度下的序列内部关系和序列之间的关系，并相应地构建了一个全面的关系学习机制，用于同时捕捉复杂的多级序列内部和序列间的耦合关系。基于该机制，我们提出了一种名为 DeepCN 的新型深度耦合网络，它由一个耦合机制、一个耦合变量表示模块和一个推理模块组成，分别用于同时探索时间序列数据中的多级序列内部和序列间关系、编码多样的变量模式，以及通过单个前向步骤进行预测。在七个真实数据集上进行的大量实验表明，我们提出的 DeepCN 相较于最先进的基准方法具有更出色的性能。

Feb, 2024

本文旨在探讨是否可以用直接的数据驱动方法有效地预测 COVID-19 病例数量，利用新型机器学习方法 Attention Crossing Time Series（ACTS）成功地在预测新冠病毒感染病例中胜出 18 项测试中的 13 项，表现出比传统的基于隔离 (如 SIR 和 SEIR) 的传染病传播模型更为优异的结果。

Oct, 2020

本文提出了一种新型的混合模型 —— 基于母体群体的时空注意力网络（MPSTAN），通过将多点流行病学知识与时空模型相结合并自适应定义不同点之间的相互作用来提高流行病预测的准确性。在两个代表不同流行病学演化趋势的数据集上的广泛实验表明，我们提出的模型优于基线并提供更准确和稳定的短期和长期预测。

Jun, 2023

本篇论文提出了一种 Spectral Temporal Graph Neural Network (StemGNN) 模型，通过 Graph Fourier Transform （GFT）和 Discrete Fourier Transform（DFT）相结合的方法，同时捕获了时间序列内部的时间相关性和时间序列间的相关性，在预测方面具有良好的性能。此外，该模型在不使用预定义先验的情况下自动地学习序列间的相关性。

Mar, 2021