ActSafe: Predicting Violations of Medical Temporal Constraints for Medication Adherence
Dartmouth（达特茅斯学院）
处方药通常对患者的常规健康行为（RHB）施加时间约束，例如，在服药前吃东西。违反这种医疗时间限制（MTC）可能会导致不良影响。在发生之前检测和预测这种违规行为可以帮助提醒患者。我们制定了MTCs建模的问题，并开发了一个概念验证的解决方案，ActSafe，以及提前预测违反MTCs。ActSafe利用基于上下文无关文法的方法从患者教育材料中提取和映射MTC。它还解决了准确预测对MTC至关重要的RHB的挑战（例如，药物摄入）。我们的新的行为预测模型，HERBERT，利用一个基础向量化的时间序列，是概括跨时间尺度和持续时间的行为，明确捕捉时间搭配的行为之间的依赖关系。基于使用从28名患者在非受控环境中收集的真实世界RHB数据集进行的评估，HERBERT优于基线模型，均方根误差平均降低51%。根据对慢性病患者的评估，ActSafe可以提前一天预测MTC违规，平均F1评分为0.86。
2023-01-17 cs.LG
Beyond Hawkes: Neural Multi-event Forecasting on Spatio-temporal Point Processes
Rice University（莱斯大学）
预测时间和空间上的离散事件有许多科学应用，例如预测危险的地震和传染病的爆发。历史相关的时空霍克斯过程经常被用来对这些点事件进行数学建模。然而，以前的方法面临着许多挑战，特别是在试图预测一个或多个未来事件时。在这项工作中，我们提出了一个新的神经架构，同时多事件预测的时空点过程，利用Transformers，增强与规范化流程和概率层。我们的网络对未来离散事件的复杂历史相关时空分布进行批量预测，在各种基准数据集上实现了最先进的性能，包括南加州地震，Citibike，Covid-19和Hawkes合成风车数据集。更一般地说，我们说明了我们的网络如何应用于具有相关标记的离散事件的任何数据集，即使在不知道底层物理的情况下。
2023-01-28 cs.AI cs.LG eess.SP
Predicting Temporal Sets with Deep Neural Networks
Beihang University（北京航空航天大学）；University of Tennessee（田纳西大学）；Rutgers University（罗格斯大学）
给定一个集合序列，其中每个集合包含任意数量的元素，时间集合预测问题的目标是预测后续集合中的元素。在实践中，时间集预测比时间事件和时间序列的预测建模复杂得多，并且仍然是一个开放的问题。许多可能的现有方法，如果适用于时间集预测的问题，通常遵循两步策略，首先将时间集投影到潜在表示中，然后使用潜在表示学习预测模型。两步法往往会导致信息丢失和不满意的预测性能。本文提出了一种基于深度神经网络的时间集预测集成解决方案。我们的方法的一个独特的角度是学习元素的关系，通过构建集合级同现图，然后执行图卷积的动态关系图。此外，我们设计了一个基于注意力的模块，自适应地学习元素和集合的时间依赖性。最后，我们提供了一个门控更新机制，发现隐藏的共享模式在不同的序列和融合静态和动态信息，以提高预测性能。在真实数据集上的实验表明，即使只使用部分训练数据，该方法也能取得有竞争力的性能，并能显著优于现有方法。
2020-07-08 cs.AI cs.LG
Who You Play Affects How You Play: Predicting Sports Performance Using Graph Attention Networks With Temporal Convolution
Cornell University（康奈尔大学）
这项研究提出了一种新的深度学习方法，称为GATv 2-GCN，用于预测运动员的运动表现。为了构建一个动态的玩家交互图，我们利用玩家统计数据和他们在游戏过程中的交互。我们使用一个图形注意力网络来捕捉每个玩家对彼此的注意力，从而更准确地建模动态玩家交互。为了处理多变量玩家统计时间序列，我们引入了一个时间卷积层，它为模型提供了时间预测能力。我们使用真实世界的体育数据来评估我们的模型的性能，证明了它在预测球员表现方面的有效性。此外，我们探索了我们的模型在体育博彩环境中的潜在用途，为利用我们的预测能力的盈利策略提供了见解。所提出的方法有可能推进最先进的球员表现预测，并为体育分析和博彩行业提供有价值的见解。
2023-03-29 cs.LG cs.SI
Predicting e-commerce customer conversion from minimal temporal patterns on symbolized clickstream trajectories
Tooso Labs（Tooso实验室）；Queen Mary University（伦敦玛丽女王大学）
仅基于点击流数据就知道用户是买家还是橱窗购物者，对于寻求实施实时准确NBA（下一个最佳行动）策略的电子商业平台至关重要。然而，由于转换事件的低频率和浏览数据的噪声，分类用户会话是非常具有挑战性的。在本文中，我们解决了电子商务行业中的点击流分类问题，并为新兴的AI零售领域做出了三大贡献：首先，我们从欧洲一家主要的电子商业网站收集、规范化并准备了一个新的实时购物会话数据集;其次，我们使用该数据集在受控环境中测试了文献中的强基线和SOTA模型;最后，我们提出了一个新的判别神经模型，它的性能优于乐天实验室最近提出的神经结构。
2020-03-14 cs.AI cs.LG
Learning Robust Spectral Dynamics for Temporal Domain Generalization
Australian Artificial Intelligence Institute (AAII), University of Technology Sydney, Australia（澳大利亚人工智能研究所（AAII）、悉尼技术大学）
针对时域泛化中现有方法难应对复杂现实漂移的问题，提出基于频域分析的FreKoo方法，通过Koopman算子处理低频动力学、正则化平滑高频分量，兼具理论保障，在复杂漂移场景下性能优于现有最优方法。
2025-05-19 cs.AI cs.LG
Predicting Critical Nodes in Temporal Networks by Dynamic Graph Convolutional Networks
University of Electronic Science and Technology of China（电子科技大学）；Nanjing University of Finance and Economics（南京财经大学）；University of Nottingham（诺丁汉大学）；Sichuan Provincial Key Research Base of Social Science（四川省社会科学重点研究基地）；Union Big Data Tech. Inc.（联合大数据技术有限公司）
现实世界中的许多系统都可以用时态网络来表达，其中节点在结构和功能上扮演着不同的角色，而边则代表节点之间的关系。识别关键节点可以帮助我们控制舆论或流行病的传播，预测学术界的领军人物，为各种商品做广告等等，但在时序网络中，由于网络结构随时间变化，识别关键节点是相当困难的。本文考虑时序网络的序列拓扑信息，提出了一种基于特殊GCN和RNN相结合的新型有效学习框架，以识别具有最佳传播能力的节点。该方法的有效性进行了评估加权易感-感染-感染模型。在四个真实世界的时间网络上的实验结果表明，该方法在Kendall $τ$系数和最高$k$命中率方面优于传统和深度学习基准方法。
2021-07-06 cs.AI cs.LG cs.SI
Predicting Temporal Aspects of Movement for Predictive Replication in Fog Environments
TU Berlin（柏林工业大学）；ECDF（欧洲分布式计算中心）
本文针对雾环境中数据局部性管理问题，提出一种基于Holt-Winter指数平滑的时间预测模型，结合用户运动的序列与周期模式进行预测性复制，在真实轨迹仿真中实现冗余数据减少15%且数据可用性仅降1%。
2024-02-19 cs.DC cs.LG
Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network
The Hong Kong University of Science and Technology（香港科技大学）；University of Michigan（密歇根大学）；Didi Chuxing（滴滴出行）
随着移动互联网技术的快速发展，按需叫车服务越来越受欢迎，并在很大程度上重塑了人们的出行方式。需求预测是网约车平台供需管理系统中最基本的组成部分之一。通过对起讫点（OD）需求的准确短期预测，平台可以在实时匹配、空闲车辆重新分配和共乘车辆路径等方面做出准确及时的决策。与许多先前研究所研究的基于区域的需求预测相比，基于OD的需求预测更具挑战性。这主要是由于不同OD对需求之间复杂的空间和时间依赖性。为了克服这一挑战，我们提出了时空编码器-解码器残差多图卷积网络（ST-ED-RMGC），这是一种新型的深度学习模型，用于预测各种OD对的乘车需求。该模型首先构造OD图，利用邻接矩阵刻画不同OD对之间的非欧成对地理和语义相关性。其次，基于所构造的图，设计了残差多图卷积（RMGC）网络来编码上下文感知的空间依赖性，并使用长短期记忆（LSTM）网络来编码时间依赖性，到稠密向量空间中。最后，我们再利用RMGC网路将压缩向量解码回OD图，并预测未来的OD需求。通过对纽约市曼哈顿的出租车辆数据集进行广泛的实验，我们表明我们提出的深度学习框架的性能远远优于最先进的框架。
2019-10-17 cs.LG eess.SP
Predicting Social Media Engagement from Emotional and Temporal Features
Fulton Science Academy Private School（富尔顿科学学院私立学校）；Stanford University（斯坦福大学）
本文提出基于 HistGradientBoostingRegressor 的多目标回归模型，利用600首歌曲的情感、时间元数据及播放量预测点赞与评论，点赞 R^2 达0.98、评论为0.41。
2025-08-29 cs.LG
Predicting Flight Delay with Spatio-Temporal Trajectory Convolutional Network and Airport Situational Awareness Map
Royal Melbourne Institute of Technology（皇家墨尔本理工大学）；DATA61 / CSIRO（澳大利亚联邦科学与工业研究组织数据61研究所）；Australian National University（澳大利亚国立大学）
为了准确地建模和预测航班延误，利用机场停机坪区域的各种车辆轨迹和上下文传感器数据至关重要。这些异构传感器数据，如果建模正确，可以用来生成态势感知地图。现有技术将传统的监督学习方法应用于历史数据、上下文特征和不同机场之间的航线信息来预测航班延误是不准确的，并且只能预测到达延误而不能预测起飞延误，这对航空公司来说是必不可少的。在本文中，我们提出了一种基于视觉的解决方案，以实现较高的预测精度，适用于机场。我们的解决方案利用机场态势感知地图的快照，其中包含飞机的各种轨迹和上下文特征，如天气和航班时刻表。我们提出了一个端到端的深度学习架构TrajCNN，它可以从态势感知地图中捕获空间和时间信息。此外，我们发现，态势感知地图的机场有一个重要的影响，估计航班起飞延误。我们提出的框架在预测洛杉矶国际机场的航班起飞延误方面取得了良好的效果（误差约为18分钟）。
2021-05-19 cs.AI cs.DC cs.LG
Predicting Physics in Mesh-reduced Space with Temporal Attention
Tufts University（塔夫茨大学）；University of Notre Dame（圣母大学）；DeepMind（深度思维）
基于图的下一步预测模型最近在不规则网格上建模复杂的高维物理系统方面非常成功。然而，由于它们的时间注意力跨度短，这些模型遭受误差积累和漂移。在本文中，我们提出了一种新的方法，通过transformer风格的时间注意力模型捕获长期依赖关系。我们引入了一个编码器-解码器结构来总结功能并创建系统状态的紧凑网格表示，以允许时间模型以内存高效的方式对低维网格表示进行操作。我们的方法在几个复杂的流体动力学预测任务上优于竞争性GNN基线，从声波冲击到血管流动。我们展示了稳定的推出，而不需要训练噪声，并显示完美的相位稳定的预测，即使是很长的序列。更广泛地说，我们相信我们的方法为将基于注意力的序列模型的好处用于解决高维复杂物理任务铺平了道路。
2022-05-26 cs.LG
Predicting vacant parking space availability zone-wisely: a graph based spatio-temporal prediction approach
车位预测是智能停车诱导系统的关键问题之一。准确预测VPS信息在智能停车诱导系统中起着至关重要的作用，可以帮助驾驶员快速找到停车位，减少不必要的时间浪费和过度的环境污染。通过对历史数据的简单分析，发现各停车场不仅存在明显的时间相关性，而且不同停车场之间也存在明显的空间相关性。鉴于此，本文提出了一种基于图数据的模型ST-GBGRU（Spatial-Temporal Graph Based Gated Recurrent Unit），该模型既可以预测VPS的数量，30分钟内）和长期（即，超过30分钟）。一方面，GRU提取历史VPS数据的时间相关性，另一方面，GRU内部的GCN提取历史VPS数据的空间相关性。该模型结合了直接预测和迭代预测两种预测方法。最后，预测模型被应用到预测的8个公共停车场在圣莫尼卡的VPS的数量。结果表明，ST-GBGRU模型在短期和长期的预测任务中都能达到较高的精度，具有良好的应用前景。
2022-05-03 cs.LG
Predicting clinical outcomes from patient care pathways represented with temporal knowledge graphs
Inria, Inserm, Université Paris Cité, HeKA, UMR 1346（Inria、Inserm、巴黎城市大学、HeKA、UMR 1346）；CNRS, Inserm, Université de Nantes, Institut du Thorax, UMR 1087（CNRS、Inserm、南特大学、胸科研究所、UMR 1087）；Université de Nantes, CHU Nantes（南特大学、南特大学医院）；Inserm, Clinique des données, CIC 1413（Inserm、数据诊所、CIC 1413）
本研究探讨了在颅内动脉瘤患者临床结局预测任务中，图表征与图卷积网络（GCN）嵌入相比表格数据的优势，并强调了数据模式与字面值的重要性。
2025-04-30 cs.AI cs.LG
Improving confidence while predicting trends in temporal disease networks
Center for Data Anaytics and Biomedical Informatics, Temple University（天普大学数据分析与生物医学信息学中心）
对于高度敏感的现实世界预测分析应用，如医疗保健和医学，仅具有良好的预测准确性通常是不够的。这些类型的应用程序需要一个决策过程，使用不确定性估计作为输入，只要有可能。不确定性估计的质量是过度或不足置信预测的主题，这在许多模型中通常没有解决。在本文中，我们展示了高斯条件随机场模型的几个扩展，其目的是提供更高质量的不确定性估计。这些扩展应用于从HCUP获得的加利福尼亚州住院患者数据库（SID）构建的颞疾病图。我们的实验证明了使用图形信息建模的时间疾病属性以及改进的不确定性估计所提供的高斯条件随机场方法的扩展的好处。
2018-03-28 cs.LG stat.ML
Spatio-Temporal Similarity Measure based Multi-Task Learning for Predicting Alzheimer's Disease Progression using MRI Data
University of Sheffield（谢菲尔德大学）
针对传统AD进展预测模型忽略脑区时间关联的问题，提出基于时空相似性度量的多任务学习方法，可更有效预测疾病进展并识别关键生物标志物关联。
2023-11-06 cs.CV cs.LG eess.IV
Predicting the temporal dynamics of turbulent channels through deep learning
Alma Mater Studiorum - University of Bologna（博洛尼亚大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）
递归神经网络（RNN）的成功已经在许多与湍流相关的应用中得到证实，包括流动控制、优化、湍流特征再现以及湍流预测和建模。通过这项研究，我们的目标是评估这些网络的能力，再现最小的湍流通道流的时间演变。我们首先获得一个数据驱动的模型的基础上的模态分解的傅立叶域（我们表示为FFT-POD）的时间序列采样的流量。这种特殊的湍流情况使我们能够精确地模拟靠近壁面的最相关的相干结构。训练长短期记忆（LSTM）网络和基于Koopman的框架（KNF）来预测最小通道流模式的时间动态。不同配置的测试突出了KNF方法与LSTM相比的局限性，因为所研究的流程非常复杂。从统计学的角度来看，LSTM的长期预测显示出良好的一致性，最佳模型相对于参考的误差低于2%。此外，通过使用李雅普诺夫指数对混沌行为的分析和通过庞加莱映射对动态行为的分析强调了LSTM再现湍流的时间动态的能力。替代降阶模型（ROM），基于不同的湍流结构的识别，进行了探索，他们继续表现出良好的潜力，在预测的时间动态的最小通道。
2022-03-02 cs.LG physics.flu-dyn
A Comparative Study of Using Spatial-Temporal Graph Convolutional Networks for Predicting Availability in Bike Sharing Schemes
Dublin City University（都柏林城市大学）
准确的交通需求预测是有效的城市交通诱导、控制和管理的关键。提高预测准确度水平的一种解决方案是利用图卷积网络（GCN），这是一种基于神经网络的建模方法，具有处理包含在基于图的结构中的数据的能力。时空图卷积网络（ST-GCN）作为GCN的一个强大扩展，旨在捕获图形节点中包含的数据在空间和时间维度上的关系，这为复杂时间序列数据的分析提供了一种新的深度学习范式，其中还涉及交通用例中存在的空间信息。在本文中，我们提出了一个基于注意力的ST-GCN（AST-GCN）的预测在城市的自行车共享系统中的可用自行车的数量，其中基于注意力的机制，以进一步提高性能的ST-GCN。此外，我们还讨论了不同的邻接矩阵的建模方法对所提出的架构的影响。我们的实验结果使用两个真实世界的数据集，Dublinbikes和NYC-Citi Bike，来说明我们提出的模型的有效性，它优于大多数现有的方法。
2021-07-07 cs.LG cs.SY eess.SY
VMDNet: Temporal Leakage-Free Variational Mode Decomposition for Electricity Demand Forecasting
UKRI EPSRC Doctoral Training Partnership（UKRI EPSRC博士培训计划）；UKRI EPSRC；AI for Collective Intelligence (AI4CI)（集体智能（AI4CI））
提出VMDNet框架，通过逐样本变分模态分解避免时间泄漏、频率感知嵌入和并行时间卷积网络建模各模态，并引入Stackelberg博弈双层优化选择超参数，在电力需求预测中超越现有方法。
2026-06-01 cs.LG
Object-Centric Learning for Real-World Videos by Predicting Temporal Feature Similarities
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；ETH Zurich（苏黎世联邦理工学院）
本文提出通过预测时间特征相似性损失，结合特征重建，实现无约束真实世界视频中的对象中心学习，在合成MOVi和真实YouTube-VIS数据集上达到最先进性能。
2023-12-08 cs.CV cs.LG
Listening to the city, attentively: A Spatio-Temporal Attention Boosted Autoencoder for the Short-Term Flow Prediction Problem
University of Milano-Bicocca（米兰比可卡大学）
近年来，研究和预测替代流动性（例如，共享服务）模式在城市环境中变得越来越重要，因为关于当前和未来车辆流量的准确和及时的信息可以成功地提高运输服务的质量和可用性。在当前的疫情危机期间，这一需求加剧，促使政策制定者和普通公民寻求符合社交距离的城市交通服务，如电动自行车和踏板车共享服务。然而，由于城市交通模式的非线性空间和时间依赖性，预测不同城市地区的进出车辆数量具有挑战性。在这项工作中，我们提出了STREED-Net，这是一种新型的深度学习网络，具有多注意力（空间和时间）机制，可以有效地捕获和利用移动数据中复杂的空间和时间模式。报告了使用真实数据进行彻底实验分析的结果，表明所提出的模型提高了这项任务的最新水平。
2021-08-18 cs.AI cs.LG
A deep learning approach to real-time parking occupancy prediction in spatio-temporal networks incorporating multiple spatio-temporal data sources
Carnegie Mellon University（卡内基梅隆大学）
应用深度学习模型来实时的预测街区级停车占用率。该模型利用图-卷积神经网络（GCNN）提取大规模网络中交通流的空间关系，利用具有长短期记忆（LSTM）的递归神经网络（RNN）提取时间特征。此外，该模型能够将多个异构结构的交通数据源作为输入，例如停车计时器交易、交通速度和天气状况。通过匹兹堡市中心的案例研究，模型的性能进行了评估。在提前30分钟预测街区级停车占用率时，该模型的平均测试MAPE为10.6%，优于多层LSTM和Lasso等其他基线方法。案例研究还表明，在一般情况下，预测模型的工作更好地为商业区比休闲场所。我们发现，将交通速度和天气信息可以显着提高预测性能。天气数据对于提高娱乐区的预测准确性特别有用。
2019-05-11 cs.LG stat.ML
CXR-TFT: Multi-Modal Temporal Fusion Transformer for Predicting Chest X-ray Trajectories
Duke University（杜克大学）；Emory University（埃默里大学）
本文提出CXR-TFT多模态时序融合Transformer，整合稀疏胸部X光影像、放射学报告与高频临床数据，可提前12小时预测ICU患者异常CXR发现，为时间敏感性疾病管理提供可操作的“全患者”洞察。
2025-07-19 cs.AI cs.CV cs.LG
Physics-Inspired Spatial Temporal Graph Neural Networks for Predicting Industrial Chain Resilience
State Key Laboratory of Multimodal Artificial Intelligence Systems Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室 中国科学院自动化研究所）；School of Artificial Intelligence University of Chinese Academy of Sciences（中国科学院自动化研究所人工智能学院）
本文针对复杂网络韧性预测缺乏理论框架的问题，提出物理信息神经符号方法，将物理实体动力学与多层时空协同演化网络联合学习，实现更准确的产业链韧性预测。
2025-08-22 cs.AI cs.CE cs.LG
Applications of temporal graph learning for predicting the dynamics of biological systems
Center for Computational Biology, Human Technopole Foundation（计算生物学中心，人类技术pole基金会）
本研究提出基于伪时间分辨基因调控网络的时间图神经网络框架，用于预测细胞状态演变，在三个任务上优于scGPT等基础模型。
2026-05-27 cs.LG
Predicting Event Time by Classifying Sub-Level Temporal Relations Induced from a Unified Representation of Time Anchors
Kyoto University（京都大学）；University of Tokyo（东京大学）
从新闻文章中提取事件时间是一项具有挑战性但有吸引力的任务。在对比最现有的对明智的时间链接注释，Reimers等人。（2016）建议注释时间锚（a.k.a.每一个事件的确切时间。他们的工作代表了一天/多天和确定/不确定的离散表示的时间锚。这增加了对两个时间锚之间的时间关系建模的复杂性，这不能归类为Allen的区间代数（Allen，1990）的关系。在本文中，我们提出了一种有效的方法来分解这种复杂的时间关系到子级别的关系，通过引入一个统一的四重表示单天/多天和确定/不确定的时间锚。时间关系分类器是以多标签分类的方式训练的。我们的方法的系统结构比现有的决策树模型简单得多（Reimers等人，2018），由十几个节点分类器组成。本文的另一个贡献是构建了一个规模更大的事件时间语料库（256篇新闻文档），该语料库具有合理的注释者间一致性（IAA），以克服现有事件时间语料库（36篇新闻文档）的数据不足。实验结果表明，我们的方法优于国家的最先进的决策树模型和数据大小的增加获得了显着的性能改善。
2020-08-14 cs.CL cs.LG
Predicting Open Source Software Sustainability with Deep Temporal Neural Hierarchical Architectures and Explainable AI
Dept. of Electrical & Computer Engineering University of Missouri（电气与计算机工程系 芝加哥大学）
本文提出基于深度时间神经层次架构和可解释AI的方法，用于预测开源软件的可持续性，通过多阶段分类流程实现生命周期阶段的高准确率分类。
2026-02-13 cs.AI cs.LG cs.SE
Predicting Change, Not States: An Alternate Framework for Neural PDE Surrogates
Carnegie Mellon University（卡内基梅隆大学）
针对神经PDE替代模型直接预测下一状态的简化僵化问题，提出预测时间导数结合ODE积分器推进解的替代框架，提升了精细离散化场景的精度与稳定性，支持灵活时间步长，且广泛适用于不同模型和PDE。
2025-04-16 cs.LG
Predicting Length of Stay in the Intensive Care Unit with Temporal Pointwise Convolutional Networks
University of Cambridge（剑桥大学）；Microsoft Research（微软研究院）
不断增长的患者需求和预算限制的压力使医院床位管理成为临床工作人员的日常挑战。最关键的是有效地将资源密集的重症监护病房（ICU）病床分配给需要生命支持的患者。解决这个问题的核心是了解目前的ICU患者可能会在病房呆多久。在这项工作中，我们提出了一种新的深度学习模型，该模型基于时间卷积和逐点（1x 1）卷积的组合，以解决eICU重症监护数据集上的住院时间预测任务。该模型-我们称之为时间逐点卷积（TPC）-专门设计用于缓解电子健康记录的常见挑战，例如偏斜，不规则采样和缺失数据。在这样做的过程中，我们已经实现了18-51%的显着性能优势（取决于指标），超过了常用的长短期记忆（LSTM）网络和称为Transformer的多头自注意力网络。
2020-11-13 cs.LG stat.ML
Predicting COVID-19 Prevalence Using Wastewater RNA Surveillance: A Semi-Supervised Learning Approach with Temporal Feature Trust
Mount Holyoke College（马修斯学院）；Groton School（格罗顿学校）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
本文提出一种半监督学习方法，利用污水RNA监控数据预测新冠流行病，解决时间特征可靠性问题。
2025-11-27 cs.LG q-bio.QM stat.AP
A Spatio-Temporal Graph Neural Networks Approach for Predicting Silent Data Corruption inducing Circuit-Level Faults
Ehime University（爱媛大学）；Anhui University of Sci.&Tech.（安徽理工大学）；Anhui Polytechnic University（安徽工程大学）；Kyushu Institute of Technology（九州工业大学）
本文提出一种时空图卷积网络（ST-GCN），通过将门级网表建模为时空图，高效预测大型时序电路中的长周期故障影响概率，在ISCAS-89基准上实现超10倍加速且保持高精度，并支持测试点选择优化。
2025-09-08 cs.AR cs.ET cs.LG
Solving Traffic4Cast Competition with U-Net and Temporal Domain Adaptation
ITMO University（ITMO大学）；JetBrains Research（JetBrains研究院）；HSE University（高等经济学院）
在这份技术报告中，我们介绍了我们对2021年核心挑战赛的解决方案，其中要求参与者根据前一小时的信息，在4个不同的城市开发预测60分钟前交通状态的算法。与以往举办的比赛不同，今年的挑战赛侧重于COVID-19大流行导致的交通时间域转移。在U-Net过去的成功之后，我们利用它来预测未来的交通地图。此外，我们探索了预训练编码器（如DenseNet和EfficientNet）的使用，并采用多种领域自适应技术来对抗域偏移。我们的解决方案在决赛中排名第三。该代码可在https://github.com/jbr-ai-labs/traffic4cast-2021上获得。
2021-11-05 cs.AI cs.CV cs.LG
Assessing and Predicting Air Pollution in Asia: A Regional and Temporal Study (2018-2023)
Stamford University Bangladesh（孟加拉国斯坦福德大学）；Daffodil International University（水仙国际大学）
本研究分析2018-2023年亚洲五地区PM 2.5污染，发现南亚污染最重，利用K-means聚类与ARIMA模型实现有效预测，强调需对南亚采取针对性干预。
2025-01-26 cs.LG stat.AP
ST-GraphNet: A Spatio-Temporal Graph Neural Network for Understanding and Predicting Automated Vehicle Crash Severity
Texas State University（德克萨斯州立大学）
ST-GraphNet通过时空图神经网络整合多模态数据，以高准确率预测自动驾驶车辆碰撞严重程度。
2025-06-09 cs.LG
Temporal Data Requirement for Predicting Unplanned Hospital Readmissions
Northeastern University（东北大学）；Partners Healthcare Connected Health Innovation（Partners Healthcare 连接健康创新）；MGH Institute for Technology Assessment（MGH 技术评估研究所）；Harvard Medical School（哈佛医学院）；Tufts University School of Medicine（塔夫茨大学医学院）；Department of Public Health and Community Medicine（公共卫生与社区医学系）
本文研究了不同观察窗口对预测髋膝关节置换术后30天再入院的影响，发现非结构化临床笔记的最佳时间窗口比结构化数据更短，而结构化数据在延长窗口后性能趋于稳定。
2026-05-01 cs.LG
Predicting nonlinear reshaping of periodic signals in optical fibre with a neural network
Aston University（阿斯顿大学）；Université de Franche-Comté（弗朗什-孔泰大学）；Université de Bourgogne（勃艮第大学）
本研究提出基于神经网络的监督学习模型，可预测光纤中正弦信号经非线性传输后的时域与频域整形效果，覆盖两种色散 regime，还能快速探测参数空间以定制光梳或实现聚焦。
2023-03-16 cs.LG physics.optics
A Temporal Machine Learning-Based Time-to-Event Model for Predicting ALS Progression and Healthcare Utilization
Harrison College of Pharmacy, Auburn University（奥本大学哈里森药学院）；Fisk University（菲斯克大学）；Lewis Katz School of Medicine, Temple University（天普大学刘易斯·卡茨医学院）；Emory University（埃默里大学）；Barnett College of Public Health, Temple University（天普大学巴尼特公共卫生学院）
研究针对ALS预测临床有意义事件的挑战，开发受数字孪生启发的事件发生时间框架，整合多源数据，经聚类、建模等确定功能域及预测因素，构建TTE模型，能生成个性化生存曲线，为ALS相关决策支持提供可行方法。
2026-07-17 cs.IR cs.LG stat.ML
TempNodeEmb:Temporal Node Embedding considering temporal edge influence matrix
School of Computer Science, Zhoukou Normal University（周口师范学院计算机科学学院）；School of Engineering and IT, University of New South Wales（新南威尔士大学工程与信息技术学院）；Chongqing Institute of Green and Intelligent Technology, Chinese Academy of Sciences（中国科学院重庆绿色智能技术研究院）；Huayin Institute of Technology（淮阴工学院）
理解现实世界中复杂系统的进化模式，如人类相互作用、交通网络、生物相互作用和计算机网络，对我们的日常生活有着重要的意义。预测这种网络中节点之间的未来联系揭示了时间网络演化的一个重要方面。为了分析网络，它们被映射到邻接矩阵，然而，单个邻接矩阵不能表示复杂的关系（例如时间模式），因此，一些方法考虑时间网络的简化表示，但在高维和一般稀疏矩阵中。因此，邻接矩阵不能被机器学习模型直接用于进行网络或节点级预测。为了克服这个问题，提出了用于学习节点或边的低维向量的自动化框架，作为预测网络中的时间模式（诸如链接预测）的最新技术。然而，这些模型未能考虑网络的时间维度。这一差距促使我们在这项研究中提出了一种新的节点嵌入技术，该技术利用了网络的进化性质，在每个时间步考虑一个简单的三层图神经网络，并通过给定的角度方法提取节点方向。为了证明我们提出的算法的效率，我们评估了我们提出的算法对六个国家的最先进的基准网络嵌入模型的效率，在四个真实的时态网络数据，结果表明，我们的模型优于其他方法在预测未来的链接时态网络。
2020-08-16 cs.LG cs.SI
A Deep Learning Method for Predicting Mergers and Acquisitions: Temporal Dynamic Industry Networks
University of Delaware（特拉华大学）
本文提出时序动态行业网络模型，利用时序点过程和深度学习捕捉并购事件间的复杂依赖关系，无需特征工程或数据再平衡，即可实现交易级预测并为竞购方和目标公司提供具体建议。
2024-10-17 cs.LG cs.SI q-fin.GN
Predicting Landsat Reflectance with Deep Generative Fusion
Cervest Ltd.（Cervest有限公司）
公共卫星任务通常必须在空间分辨率和时间分辨率之间进行权衡，因为没有一个传感器能够提供频繁覆盖的细粒度采集。这就妨碍了它们协助植被监测或人道主义行动的潜力，因为这需要探测快速和详细的地表变化。在这项工作中，我们探索了深度生成模型通过融合具有不同空间和时间特征的产品来生成高分辨率光学图像的潜力。我们介绍了一个数据集的共同注册的中分辨率成像光谱仪（MODIS）和陆地卫星表面反射率的时间序列，并证明了我们的生成模型的能力，将粗糙的日常反射率信息融合到低节奏的更精细的收购。我们基准我们提出的模型对国家的最先进的反射率融合算法。
2020-11-09 cs.CV cs.LG eess.IV
Predicting COVID-19 pandemic by spatio-temporal graph neural networks: A New Zealand's study
FPT Software AI Center（FPT软件人工智能中心）；University of California San Diego（加利福尼亚大学圣迭戈分校）；University of Warwick（华威大学）；University of Otago（奥塔哥大学）
本研究提出基于注意力的多分辨率图神经网络（ATMGNN），结合空间与时间数据预测COVID-19疫情，并在新西兰数据集上优于多种基线，未来计划扩展至实时和全球预测。
2023-05-12 cs.LG physics.soc-ph
ArrivalNet: Predicting City-wide Bus/Tram Arrival Time with Two-dimensional Temporal Variation Modeling
TU Dresden（德累斯顿工业大学）；Dresdner Verkehrsbetriebe AG（德累斯顿交通公司）
针对现有公交到达时间预测方法忽略周期信息、线路适配性弱的问题，提出ArrivalNet模型，通过将时间序列转为二维张量结合视觉骨干网络建模，融合上下文特征，在德累斯顿数据集上误差显著降低。
2024-12-08 cs.LG
Deep Representation Learning for Prediction of Temporal Event Sets in the Continuous Time Domain
Indian Institute of Science (IISc)（印度科学学院）
针对连续时间内同时发生事件集合的预测难题，提出融合事件嵌入、时间信息与领域特征的可扩展TPP模型，在预测性能和计算效率上均优于现有方法。
2023-09-29 cs.LG
Vendor-Conditioned Contrastive Learning for Predicting Organizational Cyber Threat Targets
Department of Computer Science（计算机科学系）；Georgia State University（佐治亚州立大学）
本文提出TRACE框架，通过对比学习预测组织网络威胁目标，利用多源数据提升鲁棒性，实验显示其在时间分布偏移下表现优异。
2026-05-14 cs.CR cs.LG
Estimating Learners' Skill Acquisition Without Temporal Information
Kyoto University（京都大学）；Inria（法国国家信息与自动化技术研究院）
提出一种仅利用快照数据预测技能习得的框架，通过认知诊断模型估计技能掌握模式，利用技能集包含关系诱导伪时间顺序，并引入神经网络模型捕捉潜在技能习得动态。
2026-06-23 cs.CY cs.LG
Likely to stop? Predicting Stopout in Massive Open Online Courses
Massachusetts Institute of Technology（麻省理工学院）
了解学生为什么会辍学将有助于了解学生如何在MOOC中学习。在这份报告中，作为3个单元纲要的一部分，我们描述了我们如何建立MOOC学生辍学的准确预测模型。我们记录了一个可扩展的，停止预测方法，端到端，从原始源数据模型分析。我们试图预测2012年秋季提供的6.002x的止损。这涉及到为数千名学生提取的超过25个预测特征的细致和众包工程，创建用于预测建模的时态和非时态数据表示，使用各种最先进的机器学习技术推导出超过1万个模型，并通过检查超过70000个模型来分析特征重要性。我们发现停止预测是一个容易处理的问题。当提前一周预测时，我们的模型实现了高达0.95（通常为0.88）的AUC（受试者工作特征曲线下面积）。即使是更困难的预测问题，例如仅用一周的数据预测课程结束时的停止，模型也达到了0.7的AUC。
2014-08-14 cs.CY cs.LG
Predicting Channel Closures in the Lightning Network with Machine Learning
AmbossTech（Amboss科技）
本文研究如何通过公开的 gossip 数据预测闪电网络通道关闭类型，发现时间行为特征比网络拓扑更有效，且简单 MLP 模型优于图方法。
2026-07-28 cs.LG cs.SI
When Point Process Meets RNNs: Predicting Fine-Grained User Interests with Mutual Behavioral Infectivity
预测具有时态行为的用户的细粒度兴趣对于个性化和信息过滤应用是重要的。然而，现有的兴趣预测方法无法捕捉用户对特定项目的细微程度的兴趣，和内部时变漂移的个人注意力尚未研究。此外，预测过程还可能受到人际影响的影响，称为行为相互感染。受时间点过程建模中的点过程的启发，本文提出了一种基于两个递归神经网络（RNN）的深度预测方法，在用户间行为相互感染的背景下，对每个用户的连续浏览历史和异步事件序列进行联合建模。我们的模型是能够预测细粒度的兴趣，从用户对一个特定的项目和相应的时间戳时，发生的事件。该方法利用时间点过程对事件数据进行建模，并利用RNN及时更新强度函数，从而更灵活地捕捉事件序列的动态特性。此外，为了提高模型的可解释性，引入了注意力机制，强调随着时间的推移，个人和个人之间的行为影响。在真实数据集上的实验表明，我们的模型在细粒度用户兴趣预测方面优于现有的方法。
2017-10-22 cs.LG cs.SI stat.ML
Predicting Dynamic Embedding Trajectory in Temporal Interaction Networks
Stanford University（斯坦福大学）；Georgia Institute of Technology（佐治亚理工学院）；University of Illinois, Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
对用户和物品/产品之间的顺序交互进行建模在电子商务、社交网络和教育等领域至关重要。表示学习提供了一个有吸引力的机会来建模用户和项目的动态演化，其中每个用户/项目可以嵌入在欧几里得空间中，并且其演化可以通过在该空间中的嵌入轨迹来建模。然而，现有的动态嵌入方法仅在用户采取行动时生成嵌入，并且没有显式地对嵌入空间中的用户/项目的未来轨迹进行建模。在这里，我们提出了JODIE，这是一个耦合的递归神经网络模型，可以学习用户和项目的嵌入轨迹。JODIE使用两个递归神经网络在每次交互时更新用户和项目的嵌入。重要的是，JODIE还对用户/项目的未来嵌入轨迹进行建模。为此，它引入了一种新颖的投影运算符，可以学习估计未来任何时间用户的嵌入。然后，这些估计的嵌入用于预测未来的用户-项目交互。为了使该方法具有可扩展性，我们开发了一种t-Batch算法，该算法可以创建时间一致的批次，并使训练速度提高9倍。我们进行了六个实验，以验证JODIE的两个预测任务-未来的相互作用预测和状态变化预测-使用四个真实世界的数据集。我们表明，JODIE在预测未来的相互作用和12%的状态变化预测中，在这些任务中的表现优于六个国家的最先进的算法至少20%。
2019-08-03 cs.CY cs.LG cs.SI
Predicting Influential Higher-Order Patterns in Temporal Network Data
University of Zurich（苏黎世大学）；ETH Zurich（苏黎世联邦理工学院）；University of Würzburg（维尔茨堡大学）
网络经常被用来模拟由相互作用的元素组成的复杂系统。虽然边捕获直接交互的拓扑结构，但许多系统的真正复杂性源于路径中的高阶模式，节点可以通过这些模式间接地相互影响。路径数据，表示连续的直接相互作用的有序序列，可以用来模拟这些模式。一方面，为了避免过度拟合，这种模型应该只考虑那些数据提供足够统计证据的高阶模式。另一方面，我们假设网络模型，只捕捉直接的相互作用，不适合数据中存在的高阶模式。因此，这两种方法都可能错误识别复杂网络中的有影响力的节点。我们提出了五个基于MOGen的中心性措施，这是一个多阶生成模型，它考虑了所有间接影响的最大距离，但忽略了更高距离的影响。我们比较MOGen为基础的中心性网络模型和路径数据的预测实验中，我们的目标是确定有影响力的节点外的样本数据的等效措施。我们的研究结果显示了强有力的证据支持我们的假设。MOGen始终优于网络模型和基于路径的预测。我们进一步表明，MOGen和基于路径的方法之间的性能差异消失，如果我们有足够的观察，确认错误是由于过拟合。
2022-10-03 cs.IT cs.LG cs.SI
