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

我们介绍了统一显著性转换（UniST）框架，通过综合利用视频显著性预测和视频显著物体检测的关键特性，提取帧序列的表示并设计一个考虑显著性的变换器，在逐渐增加的分辨率上学习时空表示，同时结合跨尺度显著性信息生成鲁棒的表示。根据可信的实验证明，所提出的 UniST 在两个任务的七个具有挑战性的基准测试中表现优越，并且明显优于其他最先进的方法。

Sep, 2023

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

该研究介绍了对城市空间时间数据进行有效管理和预测的工作，包括引入了一种统一的存储格式，对多样化的数据集进行了验证，提供了城市空间时间预测模型的技术进展综述，进行了广泛的实验以建立性能排行，并指出了有前景的研究方向。这项工作有效地管理了城市空间时间数据，指导未来的努力，并促进了准确高效的城市空间时间预测模型的发展，可能会对城市空间时间数据管理和预测做出长期贡献，最终提高城市居民的生活水平。

Aug, 2023

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

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

提出了 UniTime 模型以解决跨领域时间序列学习中的挑战，通过灵活适应不同特征的数据、使用领域指令和语言 - 时间序列转换器来对齐模态，以及利用屏蔽来缓解领域收敛速度不平衡问题，从而大幅提升最先进的预测性能和零样本可迁移性。

Oct, 2023

本文介绍了一种简单且通用的时空提示调整框架 - FlashST，用于适应多样化下游数据集的特定特征，提高各种交通预测场景的泛化能力，并通过包含分布映射机制来实现预训练数据和下游数据的有效知识传递，通过对多样化城市数据集进行实证评估，验证了 FlashST 框架的有效性。

May, 2024

基于深度学习的基础模型正在广泛应用于各个领域，而 UNITS 模型以其在时间序列数据上的卓越表现和多领域数据集上的优良性能，为统一的任务规范提供了支持。

Feb, 2024

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