本文提出了一种基于图神经网络的归纳式克里金模型 (IGNNK)，用于在网络 / 图结构上恢复未采样位置 / 传感器的数据，实现了局部信息的传递和学习。利用动态邻接矩阵进行培训，最终在多个真实数据集上表现出较好的预测效果，这些研究结果表明：1) GNN 是进行空间克里金的有效工具；2) 可以使用动态邻接矩阵进行归纳式 GNN 的训练；3) 训练好的模型可以传递到新的图结构上；4) IGNNK 可以用于产生虚拟传感器。

Jun, 2020

一篇关于使用增量训练策略提高克里金预测模型性能的研究论文，提出了一种基于图神经网络的新的克里金模型 KITS，通过在训练图中添加虚拟节点并与观测节点融合特征，同时构建可靠的伪标签，成功解决了训练图与推理图之间的差距问题，使得该模型在预测中表现出较高的性能优势。

Nov, 2023

本文介绍了一种基于核函数和克里格 - Kalman 滤波器的图信号重建方法，其结合多核心选择模块，来优化信号动态变化下的核函数选择和同时减少计算复杂度，实验结果表明，该方法在信号重建方面优于现有的最新算法。

Nov, 2017

SATCN 是一种通用且灵活的框架，它使用空间聚合网络和时间卷积网络进行时空克里金插值，可以适用于各种不同类型的时空数据集，并能够相对传统方法以及基于 GNN 的克里金模型更加优越。

Sep, 2021

本文提出了一种基于时间图的归纳表示学习方法，使用新颖的时间编码技术和自注意力机制，可以对动态网络中的节点分类和链接预测任务进行有效处理，并相对于现有的时空图嵌入方法取得了优秀的效果。

Feb, 2020

介绍了一种结合了图卷积网络和 Kriging 方法的 “Kriging 卷积网络”（KCN）以及其在几个应用中的表现，通过直接利用邻近的观测值，以及包含个别的 Kriging 方法来生成预测。

Jun, 2023

本研究提出了一种空间 - 时间联合表示学习方法 (ST-GraphRL)，用于将可学习的空间 - 时间依赖性编码到轨迹表示中。该方法在预测移动空间 - 时间分布和保持轨迹相似性方面在三个真实世界人类移动数据集上优于所有基准模型，并能理解潜在空间 - 时间模式。同时，该方法在广泛的地理空间数据表示和 GeoFMs 开发方面具有可迁移性。

Dec, 2023

本文介绍了一种新的框架：Simple Spatio-Temporal Knowledge Graph (SSTKG)，用于构建和探索时空知识图谱。通过新的三步嵌入方法，将时空数据整合到知识图谱中，输出嵌入可用于未来时间序列预测和空间信息推荐，提供了对零售销售预测、交通量预测等多种应用的有价值的洞察。该框架简单而全面，能够增强预测的准确性和推荐的相关性，为知识图谱中时空数据的更有效利用铺平了道路，对多个领域具有潜在的影响。

Feb, 2024

TiPNN 模型以历史时间图为基础，采用统一的图结构来全面捕捉和封装历史信息，并利用查询感知的时间路径模拟与查询相关的历史路径信息，从而实现对时间知识图的推理，并在归纳设置下取得显著性能提升。

Sep, 2023

本文提出了一种基于深度神经网络的两阶段模型来进行时空插值和预测，并应用于 $PM_{2.5}$ 数据的快速插值和带不确定性的预测。

Jun, 2023