- MagiNet：面向不完整交通数据的掩码感知图填充网络
我们提出了一种名为 MagiNet 的 Mask-Aware Graph imputation Network，该方法旨在通过学习不完整数据的潜在表示，并捕捉不完整交通数据中固有的空间和时间依赖性，来填补缺失值。在五个真实世界交通数据集上的 - 无监督动态磁共振成像重建的图像先验
通过图像恢复和流形发现两个阶段之间的图卷积网络，我们提出了一种新的方案来利用 DIP 先验进行动态 MRI 重建，名为 “图像先验”（GIP）。实验证明，GIP 在不同的采样轨迹上优于压缩感知方法和无监督方法，并显著减少了与最先进的监督深度 - 数字孪生移动性编制：一种时空图学习方法
基于大数据和数字孪生技术构建的数字孪生移动性建模框架在交通相关应用中展现了良好的性能和有效性。
- SpatialRank: 空间时间数据上基于 NDCG 优化的城市事件排序
本文介绍了一种名为 SpatialRank 的新颖的空间事件排名方法，通过自适应图卷积层动态地学习位置间的时空依赖关系，并通过优化带有空间组件的混合 NDCG 损失来更好地排序相邻的空间位置。在三个实际数据集上进行的综合实验表明，Spati - 极端交通预测的测试时间补偿表示学习
我们提出了一个新的交通预测方法，名为 CompFormer，它通过空间 - 时间数据分解和多头空间变换模型的组成，能够有效地应对交通系列中的极端事件，提高预测性能。
- MATNilm: 多电器多任务非侵入式负载监测有限标记数据
提出了一种用于家庭电器监测和功耗识别的非侵入式负载监测（NILM）方法，通过拆分整个房屋的总功耗信号来识别各种家用电器的状态和功耗。通过有限的标记数据和训练高效的样本增强方法，可以实现体现整体功耗监测的负载识别性能。
- FPTN：用于交通流量预测的快速纯 Transformer 网络
本文研究通过提出一种快速的 Transformer 网络来预测交通流量，该网络能够准确地捕捉交通数据中的复杂时空依赖关系，同时大大降低了计算时间和计算资源的要求。
- AAAI基于时空自监督学习的交通流量预测
本文提出了一种新的 Spatio-Temporal Self-Supervised Learning (ST-SSL) 交通预测框架以解决现有方法中存在的空间异质性和时间异质性问题，其中结合了时间和空间卷积以及自我监督辅助任务，实验结果表明 - 基于上下文视觉转换器的交通事故风险预测
本文提出了一种通过上下文视觉变换器进行端到端训练的新框架，该框架可以有效地推理有关问题的空间和时间方面，同时提供准确的交通事故风险预测，并在两个不同地理位置的大规模交通事故数据集上优于现有技术。
- HiSTGNN：用于天气预报的分层时空图神经网络
本文提出了一种层次化的时空图神经网络模型 (HiSTGNN)，用于模拟多个站点中气象变量之间的跨区域时空相关性，在三个真实气象数据集上表现出明显优异性能，特别是与最先进的天气预报方法相比，其误差降低了 4.2% 到 11.6%。
- MM在边缘协作的跨相机视频分析
本文介绍了基于 CONVINCE 的视频监控系统，该系统通过视觉数据间的协同分析来减少计算成本、可视化带宽并提高目标识别的准确性，实现了约 91％的准确性，仅传输了大约 25％的所有记录帧。
- 时空图卷积网络：用于交通预测的深度学习框架
本文提出一个基于图卷积神经网络（STGCN）的深度学习框架来预测交通领域的时间序列问题，该模型可以更快地训练少量参数，通过建模多尺度交通网络，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上不断超越现有最先进的基线模型。
- 基于时空深度学习的即需打车服务乘客需求短期预测
通过深度学习技术在考虑时空相关性的情况下，提出了融合卷积长短时记忆网络的方法，用于预测中国杭州地区共享出行平台的短期客流需求，通过实验证实了该方法相较于传统方法的更高预测精度。