本研究提出了一种新的空间 - 时间神经网络体系结构，称为 Spatial-Temporal Graph-Informer (STGIN)，通过融合信息召唤器 (Informer) 和图形注意力网络 (GAT) 层进行空间和时间关系提取，以处理长期交通参数预测问题。通过对两个真实交通数据集的实验结果进行验证，表明这种模型具有长序列预测能力。

Oct, 2022

神经网络权重的初始化在决定其性能方面起着关键作用。特征模仿网络（FINs）通过将权重初始化为逼近特定的闭式统计特征，为深度学习架构奠定了有希望的基础。本研究将 FINs 的适用性扩展到其他时间序列数据集，并在比特币价格预测、语音情感识别和慢性颈痛检测三个实验中测试了模仿 Tsallis 熵以提高性能的适用性。研究结果表明，在比特币价格预测中，嵌入 FINs 的模型相比基线模型的均方根误差减少了约 1000。在语音情感识别任务中，FIN 增强模型的分类准确率提高了 3% 以上。最后，在慢性颈痛检测实验中，与已有分类器相比，观察到约 7% 的改进。这些发现验证了 FINs 在不同应用领域的广泛实用性和潜力。

Sep, 2023

本文提出一种名为 STFGNN 的基于图神经网络的交通流预测模型，结合空间和时间各种图的融合操作，以及门控卷积模块来处理长序列，实现了比其它基线更好的性能。

Dec, 2020

提出了一种多尺度空时循环神经网络 (MSSTRN) 用于交通流量预测，结合了两种不同的循环神经网络来捕捉不同时间窗口下的复杂空时信息，并通过自注意机制和自适应位置图卷积实现了空时依赖的同步捕捉，实验结果表明，该模型的预测准确性优于其他二十种基准方法。

Oct, 2023

通过提出一种 Multi-Interactive Attention Network (MIAN) 方法，结合多种精细特征以及性别、年龄、职业等用户个人信息，从多个方面综合提取用户偏好，同时设计全局交互模块 (GIM) 学习高阶交互和平衡多个特征的影响，能够有效地预测用户点击率 (CTR)。

Dec, 2020

FRIGATE 是一种基于时空图神经网络（GNN）的方法，用于路网的动态建模，可以在完全或部分考虑传感技术的情况下捕获更真实的现实世界，也证明了 FRIGATE 在实现上的更高表达能力和卓越的经验性能。

Jun, 2023

本文提出了一种新的多时空融合图循环网络 (MSTFGRN) 用于交通预测，该网络提出了一种数据驱动的加权邻接矩阵生成方法以弥补预定义邻接矩阵无法反映实时空依赖性的缺陷，还通过在不同时刻的并行空时关系上执行新的双向时空融合操作来高效学习隐藏的空时依赖关系，并通过在空时融合模块中整合全局注意机制来同时捕获全局时空依赖性，实验结果表明，与其他交通预测技术相比，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

May, 2022

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

提出了一种新颖的联邦自适应时空注意力（FedASTA）框架，用于建模动态的时空关系。在客户端节点，FedASTA 从原始时间序列的分解项中提取时间关系和趋势模式。然后，在服务器节点上，FedASTA 利用来自客户端的趋势模式构建自适应时空感知图，捕捉客户之间的动态相关性。此外，我们设计了一个具有静态图和构建的自适应图的掩蔽空间注意力模块，以建模客户之间的空间依赖关系。在五个真实世界的公共交通流数据集上进行的广泛实验表明，我们的方法在联邦场景中取得了最先进的性能。此外，与其他流行的动态时空感知方法相比，在集中设置下的实验证明了我们的新颖自适应图构建方法的有效性。

May, 2024

本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

Nov, 2023