本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

Jan, 2022

通过基于图的 Transformer 模型 Forecaster 来解决时空相关数据处理中的空间依赖、时间依赖、数据非平稳性和数据异质性问题，并在预测出租车叫车需求问题中取得了显著的优势。

Sep, 2019

通过整合文本线索与时间序列数据，本研究引入了一种新颖的文本引导时间序列预测（TGTSF）任务，并提出了一个稳健的基准模型 TGForecaster，它利用交叉注意机制融合文本线索和时间序列数据。通过四个精心策划的基准数据集对所提出的框架进行了综合评估，验证了 TGForecaster 在各类数据中始终保持领先的性能，凸显了将文本信息纳入时间序列预测的潜力。该研究不仅开创了一种新的预测任务，而且为未来的研究建立了一个新的基准，推动了多模态数据集成在时间序列模型中的发展。

May, 2024

本文提出了一种新的基于语言基础模型的时间序列模式挖掘流程，以用于人类移动预测任务，该模型通过引入特定提示将数值时间序列转换为句子，以便直接应用于现有语言模型，设计了一个 AuxMobLCast 流程用于预测每个 POI 的访客数量，结合了辅助 POI 分类和编码器 - 解码器架构，实证证明了该流程在移动性预测任务中发现序列模式的有效性，并在三个真实数据集上进行了评估，表现良好。

Sep, 2022

本研究提出了一种名为 TGNet 的新的需求预测模型，它集成了图网络和时间导向嵌入，能够高效提取复杂的时空模式，并在其三个实际数据集中取得了与基线模型相当的预测表现，在参数数量上却大幅节省。

May, 2019

本文提出了一种基于自动图学习的注意力多图神经网络 (A2GNN)，旨在挖掘时间序列多实体预测中的显式和隐式关系，并使每个实体动态注意其首选关系，实验表明 A2GNN 优于现有的一些最新方法。

Feb, 2022

提出了一种名为 GTrans 的时空模型，该模型将数据特征转换为图嵌入，并使用变压器模型预测时间动态，并能够对极端事件进行预测，可在社交网络，道路交通，物理和化学属性预测等领域应用。

Jan, 2022

本文提出了一种基于分数的概率方法，学习图的关系依赖性。该方法可用于时间序列预测，可在最大化任务性能的同时控制图的稀疏性和计算可扩展性，同时提高了准确性。

May, 2022

利用深度学习技术和 Corporación Favorita 数据集，我们提出三种替代方案来解决具体的需求预测问题，设计了一种简单的序列到序列的体系结构以及在此基础上的训练技巧，达到了约 0.54 的 RMSLE 的好性能。

Apr, 2022

论文提出了一个新的 Transformer 模型 AgentFormer，该模型可以联合模拟时间和社交两个维度，用于预测多智能体行为，同时考虑了多智能体的影响以及不确定性。该模型具有良好的性能，并在公共数据集上取得了 state-of-the-art 的结果。

Mar, 2021