本文提出了一种新的问题 —— 多时期地理位置之间的时间关系推理研究（Trial），提出了一个图学习方法（SEENet），其中包括空间演化图卷积模块（SEConv）和空间演化自监督学习策略（SE-SSL），并在四个真实数据集上进行试验，证明了我们的方法优于几种最先进的方法。

Jun, 2023

本文研究了基于图卷积网络的多模态机器学习模型，通过引入多模态互动机制，去增强多模态协调表示的学习能力，从而在预测准确性、训练效率、可解释性和模型鲁棒性等方面，优于现有的基准模型。

May, 2019

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

通过自监督学习提出了一种新的多模态时空学习框架，称为 MoSSl，旨在从时间、空间和模态角度揭示潜在模式，并量化动态异质性。实验结果验证了我们方法相对于现有基线的优越性。

May, 2024

本文提出一种模块化的设计方法，将时空序列模型分解为空间编码器 - 解码器和预测器两个模块。通过在 KTH-Action 和 MovingMNIST 数据集上进行实验，我们提高了计算性能并获得了最先进的结果。

Oct, 2022

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

本文总结了多个研究社区关于多源、多时间数据融合方法的进展，为不同层次（例如学生、研究人员和高级研究人员）的研究者提供了充足的细节和参考，以便于他们在这个具有挑战性的课题上进行新的调查。

Dec, 2018

提出了一种名为 FusionTransNet 的框架，用于智能和多模式城市交通系统中的起讫流量预测，该框架包含三个核心组件：Intra-modal 学习模块、Inter-modal 学习模块和预测解码器，通过分析和整合多种交通模式之间的复杂时空交互作用，生成准确的起讫流量预测。

May, 2024

提出了一种模型无关的元学习框架，采用任务自适应的公式将地域异质性数据集合成位置敏感的元任务，使模型适应大量异质性任务，并在实际社会应用中处理了空间相关的异质性任务。

Dec, 2022

通过提出的 I2M2 框架，我们捕捉并整合了模态间和模态内的依赖关系，从而实现了更精确的预测。在真实世界的医疗和视觉与语言数据集上，我们使用最先进的模型评估了我们的方法，并且表现出优于传统方法的性能，传统方法仅关注一种模态依赖。

May, 2024