本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

这篇论文介绍了 UrbanKGent，一个用于城市知识图谱构建的统一大型语言模型代理框架，通过异构感知的指令生成构建了 UrbanKGC 任务的知识指令集，并提出了一个工具增强的迭代轨迹优化模块。通过在 Llama-2-13B 上进行混合指令微调，得到了 UrbanKGC 代理 UrbanKGent-13B。通过实验评估表明，UrbanKGent-13B 在 UrbanKGC 任务中不仅能显著优于 21 个对比方法，还在低成本的情况下超过了当前最先进的 LLM 和 GPT-4 方法。部署 UrbanKGent-13B 提供在线服务，可通过仅使用现有基准的五分之一的数据，构建出具有数千倍以上关系的 UrbanKG。

Feb, 2024

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

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

UniST 是一个通用模型，通过对多样的时空数据特征的灵活性、精心设计的掩模策略以及时空知识引导的提示，实现对城市时空预测的强大泛化能力，15 个城市和 6 个领域的广泛实验证明了 UniST 在提升最先进预测性能方面的普适性，特别是在少样本和零样本情况下。

Feb, 2024

通过构建大规模异构图数据集 UniKG 并采用语义对齐策略和异质图传播模块 (APM) 实现多属性实体的高效信息传播和多跳聚合，该方法在 UniKG 数据集上进行基于节点分类的评估，扩展了大规模均匀图研究方法在异构图上的应用。

Sep, 2023

基于大型语言模型和空间 - 时间依赖编码器的 UrbanGPT 在数据稀缺情况下实现了更全面、准确的空间 - 时间预测任务，显示了在零样本场景中建立大型语言模型的潜力。

Feb, 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

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