本研究针对细粒度的 OD 矩阵的稀疏性和不确定性问题，设计了一种基于空间 - 时间零膨胀负二项式图神经网络 (STZINB-GNN) 方法，通过扩散和时间卷积网络分析空间和时间相关性，并融合以参数化出行需求的概率分布，提高了预测精度和可解释性。实验结果在高空间 - 时间分辨率下表现出了该方法的优越性。

Aug, 2022

在本研究中，我们引入了时空零膨胀 Tweedie 图神经网络 (STZITD-GNNs)，该模型将传统统计模型的可靠性与图神经网络的灵活性相结合，旨在准确量化与道路级交通事故风险相关的不确定性，并在捕捉数据集的倾斜分布方面起到了积极的作用，特别是对于罕见但具有影响力的严重事故。经过使用来自英国伦敦的真实交通数据的实证测试，证明了我们的模型在超过当前基准之上在短期（7 天）和长期（14 天）时间范围内的鲁棒预测能力。

Sep, 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

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

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

该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

Feb, 2018

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

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

基于时空隐式神经表示的通用交通数据学习器，通过将交通数据参数化为隐式神经表示的形式，利用坐标为基准的神经网络对高频结构进行编码，将可变性分解为各个独立的过程，使用谱嵌入技术实现在传感器图中的建模，以连续表示的方式，统一输入来建模多样的交通数据，学习其底层交通动态，具有学习不同支配数据模式的能力，验证了其在实际场景中的有效性，展示了从走廊到网络规模的应用，为各种实际任务中时空交通数据的通用表示奠定了基础。

Jun, 2024

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