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

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

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

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

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

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

在无线和移动设备的广泛部署导致了时空数据的大量产生，我们提出了一个统一的回放式持续学习框架，用于实现对流数据的时空预测，避免灾难性遗忘并提高性能。

Apr, 2024

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

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

设计并实现了一个名为 UCTB 的时空人流预测工具包，它同时集成了多个时空领域知识和先进模型。

Jun, 2023