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

使用创新的课程学习范式，从空间、时间和分位数角度分别针对性地处理三种形式的课程学习，并结合堆叠融合模块，提高了复杂时空问题的性能和学习效率。通过广泛的实证评估，展示了该框架的有效性，并通过详尽的剖析研究探讨了课程学习对提高时空数据学习效率的贡献。

Jun, 2024

该研究提出了一种名为 GraphST 的空间 - 时间图学习模型，采用新的自监督学习方法以及跨视图对比学习方法，提高了模型中多视图信息的利用和处理，使其在空间 - 时间预测任务方面表现出了卓越的性能。

Jun, 2023

本研究提出了一种名为 “课程退火” 的优化策略，通过逐渐在神经网络结构中添加噪声的方式，从而实施一种非常通用的课程方案，进而创造更好的模型。

Mar, 2017

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

STHODE: Spatio-Temporal Hypergraph Neural Ordinary Differential Equation Network captures high-order spatio-temporal dependencies in traffic data, outperforming various baselines on real-world traffic datasets.

Oct, 2023

通过参数化空时交通数据（STTD）为隐式神经表示，我们提供了一种新的方法来解决 STTD 学习问题。通过在低维度范围内识别潜在动力学和分解空时交互作用，我们的方法能够进行各种 STTD 的建模，并展示了其在实际应用中的有效性。

May, 2024

STLinear 是一种能够优化智能交通系统和智慧城市愿景的交通预测模型，通过节点嵌入方法、时间序列分解和周期性学习解决了空间 - 时间图神经网络的计算复杂度、梯度问题和资源消耗性等挑战。通过实证研究，STLinear 在真实世界数据集上表现出色，不仅匹配或超过领先的空间 - 时间图神经网络的准确性，而且大幅减少了计算复杂度和计算开销（每个周期的 MACs 相比于 2023 年最先进的空间 - 时间图神经网络基线减少了 95% 以上），是传统模型的有效替代方案，对智能交通系统和智慧城市倡议的未来有深远的影响。

Aug, 2023

本文提出了一种新颖的迁移学习方法来解决交通预测中的数据稀缺性问题，该方法通过构建空间 - 时间图神经网络和基于模式的迁移策略来捕捉不同道路网络的节点特定的空间 - 时间流量模式，并在真实数据集上验证了其有效性。

Jul, 2022

我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。

Oct, 2023