本文通过使用真实世界患者数据和地理数据以及传染病传播定律设计的损失项来提高预测准确性，提出了一种基于定位注意力和空间 - 时间图卷积网络的流行病预测方法，并在 COVID-19 数据集上进行了测试。结果表明，这种方法在短期和长期预测中均优于现有方法，提高了预测的准确性。

Jul, 2020

本文提出一种名为 ATMGNN 的深度学习结构，该结构能够结合地理数据和 COVID-19 病例的时间序列数据来预测大流行病的未来动态，并通过学习聚类算法以数据驱动的方式捕获空间图的多尺度结构。作者在新西兰收集和组织了一个新的数据集，并将社会经济横截面数据纳入模型进行了预测，取得了比其他基线更好的预测结果，该研究为实时预测和全球范围的研究提供了一些启示。

May, 2023

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

本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

Mar, 2018

使用手机通话记录来探究人类的互动模式，并研究社交网络结构和性别、年龄等属性的关系。结果显示不同性别之间存在交流的区别，年龄相似的人更容易互相联系。此外，密集部分和稀疏部分的时间模式不同。

Feb, 2013

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

该研究提出了一个名为 STS 的多任务预测模型，可以联合三维空间、时间和语义方面的异常模式与影响因素间的内部和互间关系，并使用定制的损失函数解决由于稀疏零膨胀数据引起的问题，从而有效预测城市安全和维护方面的多种异常情况。通过四个实际数据集上的实验验证，该模型在平均绝对误差和均方根误差方面比现有方法表现更优秀。

Apr, 2023

提出一种名为 BDGSTN 的新模型，通过生成骨干网络和动态图来预测流行病数据，使用线性模型和动态图卷积来处理时间依赖关系，实验证明该模型在准确预测流行病方面优于其他基准模型。

Dec, 2023

交通数据的快速增长为揭示有关交通动态的更深入信息提供了许多机会，但也需要一个有效的数据库管理系统，其中信息检索是一个重要的功能。本文提出了一个用于高速公路交通拥堵的时空模式的基于内容的检索系统。

Nov, 2023

本文提出了一种新的空时可分离图卷积网络 ——STPN，用于建立多个机场之间航班延误传播的综合模型，并且在美国和中国的航班延误数据上验证了该模型的有效性及优越性。

Jul, 2022