基于图的缺失数据时空降采样预测
该论文提出了一种基于注意力机制的体系结构，可以在处理高度稀疏的时间序列数据时提高自动编码器的鲁棒性，达到填充（imputation）缺失值的目的。
May, 2022
本研究提出了一种基于图卷积网络和动态图学习模块的方法（GCN-M），用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。
Dec, 2022
提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。
Apr, 2018
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
本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。
Jul, 2021
图形化深度学习方法在处理相关时间序列集合方面已成为流行工具，提出了一种全面的方法论框架，用于形式化预测问题并提供基于图形的预测模型的设计原则和性能评估方法，同时介绍领域概述、设计指南和未来研究方向的综述。
Oct, 2023
本文提出了一种可扩展的体系结构，利用随机循环神经网络将输入时序的历史数据嵌入到高维状态表示中，并利用不同幂次的图相邻矩阵沿空间维传播以生成节点嵌入，从而实现多尺度的时空特征表示，我们的方法在保证结果竞争力的同时，大大降低了计算负担。
Sep, 2022
本文提出了一种基于因素解耦的灰色时空系统学习框架 FDG2S，用于处理存在缺失观测的非连续预测问题。该框架通过语义邻近序列采样和因子解耦聚合策略实现了对非连续状态预测的模拟。与此同时，该文中提出了一种解开不确定性的方法 DisEntangled Uncertainty Quantification 以保证模型的可靠性和可解释性。
Aug, 2022
本文旨在理解全局性和局部性在基于图的时空预测中的相互作用，并同时提出了一种方法论框架来合理化在这些结构中包含可训练节点嵌入的实践，通过在多个实验中提供强有力的经验证据和指导，我们论证了如何将图形模型专业化以适应每个时间序列的规律，展示了这个方面在获得准确预测中的关键作用。
Feb, 2023