本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。

Sep, 2022

图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。

Oct, 2023

本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

May, 2022

本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

May, 2019

本研究针对自适应时空图神经网络 (ASTGNNs) 进行局部化，提出了一种名为自适应图稀疏化（AGS）的图稀疏化算法。实验表明，通过 AGS 进行稀疏化，ASTGNNs 的空间图可以被稀疏化超过 99.5％，而准确性不会有太大下降。因此，研究者得出以下结论：在测试的数据中，时空依赖性所提供的信息主要包含在时间依赖性所提供的信息中，因此在推理过程中可以忽略；尽管空间依赖性提供冗余信息，但对于 ASTGNNs 的有效训练至关重要，因此不能在训练过程中忽略它们。局地性的实现有可能减少在大规模时空数据上所需的计算的开销，从而进一步支持 ASTGNNs 的分布式部署。

Jun, 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

提出了一种名为 GTrans 的时空模型，该模型将数据特征转换为图嵌入，并使用变压器模型预测时间动态，并能够对极端事件进行预测，可在社交网络，道路交通，物理和化学属性预测等领域应用。

Jan, 2022

提出了一种名为 Time-aware Graph Convolutional Recurrent Network (TGCRN) 的统一框架，通过 Time-aware Graph Structure Learning (TagSL) 和 Graph Convolution-based Gated Recurrent Unit (GCGRU) 在编码器 - 解码器结构中联合捕捉空间和时间依赖关系，用于多步骤的时空预测。实验证明，TGCRN 能够推进现有技术的发展，并提供了详细的消融研究和可视化分析，深入揭示了时间感知结构学习的有效性。

Dec, 2023

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