- 变分深度生存机器：带有被截断结果的生存回归
通过更好地聚类生存数据和组合原始分布，本文提出了两种变体的变分自编码器（VAE），离散和连续，来生成聚类输入协变量的潜在变量。我们的模型通过同时优化 VAE 损失和回归损失进行端到端训练，实验证明了我们的方法在聚类结果和长期预测上具有竞争力 - 重新思考城市交通预测：一个超多元时间序列预测方法
通过将城市流动性数据视为复杂的多变量时间序列，利用时间动力学、交叉变量相关性和频域分析等方法进行精确可靠的预测。使用特殊的关注机制、低频滤波器和分层框架形成的 SUMformer 模型，在城市流动性模式建模和长期预测方面表现优异，超过当前三 - 健壮视频预测器的自然视频序列长期预测
预测高维视频序列是一个异常困难的问题，由于不确定性，给定视频序列的可能未来数量随时间呈指数增长，尤其在从有限世界的快照中预测复杂的自然视频场景时更为明显。本文介绍了一系列改进现有工作的方法，有助于创建鲁棒的视频预测器（RoViPs）。我们通 - DSformer：一种用于多变量时间序列长期预测的双抽样 Transformer
通过利用全局信息、局部信息和变量相关性，我们提出了一种双采样变压器（DSformer）模型，用于多元时间序列的长期预测，并且在九个真实数据集上的实验结果表明，DSformer 优于其他八种现有的基准模型。
- ICLR利用未来关系推理进行车辆轨迹预测
提出了一种使用车道信息预测多个代理之间的随机未来关系的新方法，该方法使用概率分布对交互模式进行建模，从而在长期预测基准测试中达到了最先进的性能。
- 神经网络、扩散映射和 Koopman 算符驱动的脑活动数据建模
本研究提出了一种基于机器学习的方法来对脑活动进行长期预测，该方法基于 Koopman 算子，通过建立一种非线性映射来达到降维和预测的目的，并且实验证明该方法在预测方面的表现要好于传统的基于随机游走模型的方法。
- 自主预测与长期家庭能源负荷预测的自旋物理储存器
通过使用具有非线性磁化特性的纳米磁隧道结构作为物理水库，结合简单的线性回归进行在线训练和自主预测，本研究在动态时间序列数据和混沌时间序列数据上进行了建模，并在高精度、低内存和低能耗的硬件资源上实现了预测。
- ENTROPY: 环境转换器和脱机策略优化
该研究提出了一种基于序列建模的架构，即 “环境变换器（Environment Transformer）”，以解决先前基于模型的离线强化学习方法在生成多步轨迹时缺乏长期预测能力的问题，并通过该架构提出了一种新的名为 ENTROPY 的强化学习 - 利用视频预测网络进行城市交通场景的异中心占据栅格预测
通过使用固定框架中的全中心占据网格来代表交通状况，以提高对自主车辆动态环境的预测精度，相比于传统的自车中心占据网格方法，全中心占据网格方法能有效地改善场景的预测。
- STGIN：用于长序列交通速度预测的时空图形推理网络
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 - ECCVXMem：基于 Atkinson-Shiffrin 记忆模型的长时视频对象分割
XMem 使用 Atkinson-Shiffrin 模型的多个独立特征存储器来解决长视频对象分割中的内存资源限制问题，通过记忆强化算法实现主动储存工作内存元素到长期内存中，使得预测效果突破先前最优结果并在短视频数据集上与当今最优算法表现持平 - Traffic-Twitter Transformer: 基于自然语言处理的交通预测框架
本文旨在通过将社交媒体功能纳入考虑范围，以提供一个灵活全面的框架，在交通强度和 Twitter 数据强度之间建立相关性，并将两个时间序列数据馈入我们的 Traffic-Twitter Transformer，为长期交通预测提供自然语言表示。 - 在复杂的多智体场景中估计反事实治疗结果的时间变化
使用可解释的多智能体系统反事实循环网络进行干预效应评估的长期预测方法，最终在自动驾驶、生物智能体和篮球计分方案的模拟实验与实际数据中证明了其优于传统方法的效果。
- 多范围变压器的多人三维动作预测
我们提出了一种适用于多人 3D 运动轨迹预测的新型框架，使用包含局部范围编码器和全局范围编码器的 Multi-Range Transformers 模型，可以实现不同人之间的社交互动，且在长期运动预测方面优于现有方法，甚至可以自动将人分成不 - 基于目标及地图自适应的轨迹预测
通过使用环境中富含地图的车道中心线来提高多模态、长期车辆轨迹预测方法的准确性，实现了汽车行驶的目标方向建模，生成一组已提议的车辆目标路径，并将其用作空间锚点，进而预测基于目标的轨迹和对目标的分类分布，在 6 秒的预测角度内，在内部驾驶数据集 - 纵向变分自编码器
该研究提出了一种称为长期 VAE（L-VAE）的方法，通过使用多输出加性高斯过程（GP）先验来扩展 VAE 的能力，从而实现在辅助协变量信息的约束下学习结构化低维表示， 以及导出了一种新的 KL 离散度上界。该方法可以同时适应时间变化的共享 - KDD保持动态关注力的长期时空预测
该论文提出了一种具有多空间注意力机制的动态切换 - 注意力网络（DSAN），用于解决城市智能数据挖掘系统中的长期预测问题。通过在输入和输出之间显式测量关联性并应用自我注意来提取有价值的信息，并通过实现切换 - 注意力机制将输出直接连接到精制 - PVRED: 一种用于人体动作预测的位置 - 速度循环编码器解码器
本文提出了一种基于位置 - 速度递归编码器 - 解码器（PVRED）的方法，结合了姿态速度和时间位置信息，通过骨架旋转参数和鲁棒的损失函数进行训练和预测，能够实现短期和长期的人体运动预测，并在多个基准测试中展现出优于其他最先进方法的性能。
- DSTP-RNN：双阶段、两阶段注意力机制的循环神经网络，用于长期和多变量时间序列预测
本文提出了基于双阶段两阶段模型的循环神经网络以及基于深度空间注意机制的深度双阶段两阶段模型，用于解决长期多元时间序列预测的问题，并在能源、金融、环境和医药等领域的四个数据集上，与九种基准方法相比展现出更好的性能。
- IJCAI深度变分 Koopman 模型：推断 Koopman 观测以实现不确定动态建模和控制
该研究介绍了 Deep Variational Koopman 模型的方法，可以推断随时间线性传播的观测分布，从而获得动力模型的分布并提供模型系统随时间推进的可能结果分布，同时也将学习的模型应用到控制框架中并表明考虑到分布中存在的不确定性能