本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

Aug, 2019

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022

提出了一个用于交通流量预测的增量学习方法，通过设计一种空间自注意模块和时间自注意模块，同时利用空间 - 时间图转换器捕捉交通流量数据中的空间和时间依赖关系，并通过空间 - 时间知识蒸馏模块进行增量学习。

Oct, 2023

该研究介绍了对城市空间时间数据进行有效管理和预测的工作，包括引入了一种统一的存储格式，对多样化的数据集进行了验证，提供了城市空间时间预测模型的技术进展综述，进行了广泛的实验以建立性能排行，并指出了有前景的研究方向。这项工作有效地管理了城市空间时间数据，指导未来的努力，并促进了准确高效的城市空间时间预测模型的发展，可能会对城市空间时间数据管理和预测做出长期贡献，最终提高城市居民的生活水平。

Aug, 2023

本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。

Apr, 2021

本文介绍了 UUKG，即用于知识增强的城市时空预测的统一城市知识图谱数据集。通过构建 UrbanKGs 并分析其中的高阶结构模式，文章实现了对城市空间时间预测的知识增强，并展示了知识增强模型与不同任务场景下城市知识图谱嵌入方法的潜在联系，其公开的数据集和源代码可在此 https URL 获取。

Jun, 2023

该研究提供了应对城市时空预测领域中存在的各种挑战的创新解决方案，包括建立标准框架来实现和评估方法、提出一种统一的空间时间数据存储格式 atomic files 以及建立一个开源的实验库 LibCity，通过对 65 个已有模型的复现和 55 个空间时间数据集的收集，研究者可进行更全面的实验和对比，为该领域未来的技术发展和研究方向提供了有前途的展望。

Apr, 2023

在这篇论文中，我们提出了统一的时空扩散模型（USTD），以条件信息和共享的时空模式为基础，统一地处理学习任务。USTD 综合设计了共享的时空编码器和基于注意力的去噪网络，有效捕捉条件时空模式并生成预测。与确定性编码器和概率扩散模型的优点相结合，USTD 在预测和 Kriging 的下游任务中取得了最先进的性能，并提供了宝贵的不确定性估计。

Oct, 2023

提出了一个不确定性学习机制来同时估计内部数据质量和量化外部不确定性，以提供空间时间预测的高质量不确定性量化，并通过设计一个基于门控的桥梁来重新校准和提高预测性能，从而解决不确定性标签的缺乏这一问题。

Feb, 2021

使用深度学习方法 ST-ResNet，可以应对众多影响人流量的因素，有效预测每个区域内的人流流入和流出情况，提升交通管理与公共安全。实验证明 ST-ResNet 在北京和纽约市的两种不同人流数据中及贵阳市实时系统中均优于传统九种算法。

Jan, 2017