STConvS2S: Spatiotemporal Convolutional Sequence to Sequence Network for Weather Forecasting
CEFET/RJ（里约热内卢联邦教育、科学与技术中心）；LNCC（国家科学计算实验室）
将机器学习模型应用于气象数据，为地球科学领域带来了许多机会，例如更准确地预测未来的天气状况。近年来，利用深度神经网络对气象数据进行建模已成为一个相关的研究领域。这些工作应用递归神经网络（RNN）或混合RNN和卷积神经网络（CNN）的混合方法。在这项工作中，我们提出了STConvS2S（时空卷积序列到序列网络），这是一种深度学习架构，仅使用卷积层学习空间和时间数据依赖关系。我们提出的架构解决了卷积网络使用历史数据预测序列的两个限制：（1）它们在学习过程中违反了时间顺序，（2）它们要求输入和输出序列的长度相等。计算实验使用来自南美洲的气温和降雨量数据表明，我们的架构捕捉时空背景下，它优于或匹配的结果，国家的最先进的架构预测任务。特别是，我们提出的架构的一个变体在预测未来序列方面要好23%，在训练方面比用作基线的基于RNN的模型快5倍。
2020-11-10 cs.LG stat.ML
Demand Forecasting from Spatiotemporal Data with Graph Networks and Temporal-Guided Embedding
POSTECH（浦项科技大学）；Statice GmbH（Statice有限公司）；Kakao Brain；Kakao Mobility
短期需求预测模型通常结合卷积层和递归层来提取数据中复杂的时空模式。长期历史也被用来考虑作为时间序列数据的周期性和季节性模式。在本研究中，我们提出了一种高效的架构，即时间引导网络（TGNet），它利用图网络和时间引导嵌入。图网络将不变特征提取到相邻区域的排列中，而不是卷积层。时间引导的嵌入从训练数据中显式地学习时间上下文，并替换来自数天/数周前的长期历史的输入。TGNet学习自回归模型，该模型以时间引导嵌入的预测目标的时间背景为条件。最后，我们的模型在来自现实世界的三个时空需求数据集上实现了与其他基线竞争的性能，但可训练参数的数量比最先进的基线小约20倍。我们还表明，时间引导嵌入学习时间上下文的预期和TGNet具有强大的预测性能，即使是非典型事件的情况。
2019-10-07 cs.LG stat.ML
GATGPT: A Pre-trained Large Language Model with Graph Attention Network for Spatiotemporal Imputation
University of Technology Sydney（悉尼科技大学）
本研究提出GATGPT框架，将图注意力机制与预训练大型语言模型结合用于时空插补，通过保持大部分参数不变并微调上层，在三个真实数据集上取得与深度学习基准相当的效果。
2023-11-24 cs.LG stat.ML
Convolutional Recurrent Reconstructive Network for Spatiotemporal Anomaly Detection in Solder Paste Inspection
KAIST（韩国科学技术院）；Koh Young Technology, Inc.（高永科技股份有限公司）
表面贴装技术（SMT）是一种生产印刷电路板的工艺。SMT使用焊膏印刷机（SPP）、封装贴装机和回流焊炉。焊膏检测器（SPI）对从SPP沉积焊膏的电路板进行监控。如果SPP由于打印机缺陷而发生故障，SPP会产生有缺陷的产品，然后SPI会检测到异常图案。在本文中，我们提出了一个卷积递归重构网络（CRRN），它分解的打印机缺陷产生的异常模式，从SPI数据。CRRN只学习正常数据，通过重构误差检测异常模式。CRRN由空间编码器（S-Encoder）、时空编码器和解码器（ST-Encoder-Decoder）以及空间解码器（S-Decoder）组成。ST-编码器-解码器由具有ST-注意机制的多个卷积时空存储器（CSTM）组成。CSTM被开发用于有效地提取时空模式。此外，时空注意（ST-注意）机制的设计，以促进从ST-编码器的ST-解码器，这可以解决长期依赖性问题的信息传输。我们证明了建议CRRN优于其他传统的模型在异常检测。此外，我们通过打印机缺陷分类显示由建议CRRN分解的异常图的判别力。
2019-08-22 cs.LG eess.IV stat.ML
Understanding and Partitioning Mobile Traffic using Internet Activity Records Data -- A Spatiotemporal Approach
University of Science and Technology Beijing（北京科技大学）；COMSATS University Islamabad（伊斯兰堡COMSATS大学）；University of Engineering and Technology Lahore（拉合尔工程技术大学）
移动蜂窝网络的互联网活动记录（IAR）包含了重要的信息，可以用来识别网络的功效和移动用户的行为。在这项工作中，我们从IAR数据中提取有用的信息，并确定一个健康的可预测性的时空模式内的网络流量。所提取的信息有助于网络运营商规划有效的网络配置并执行网络资源的管理和优化。我们报告的IAR数据的意大利电信的时空分析实验。在此基础上，提出了移动业务划分方案。该模型的实验结果有助于网络流量模式的建模和划分。
2019-07-30 cs.LG cs.NI eess.SP
Analysis of Wide and Deep Echo State Networks for Multiscale Spatiotemporal Time Series Forecasting
Rochester Institute of Technology（罗切斯特理工学院）
回声状态网络是一种计算量小的水库模型，其灵感来自于在皮层电路中观察到的随机投射。随着对水库计算的兴趣的增长，网络变得更深更复杂。虽然这些网络越来越多地应用于非平凡的预测任务，有必要进行综合性能分析的深层水库。在这项工作中，我们研究了给定预算的分区神经元的影响，以及在不同数据集上表现出多尺度和非线性动力学的并行水库路径的影响。
2019-07-01 cs.LG cs.NE eess.SP
Learning Spatiotemporal Dynamical Systems from Point Process Observations
Aalto University（阿尔托大学）
本文提出一种融合神经常微分方程、神经点过程、隐式神经表示与摊销变分推断的新方法，从随机时空点过程观测中学习动力学，在预测精度和计算效率上优于现有模型。
2025-02-08 cs.LG stat.ML
Spatiotemporal Covariance Neural Networks
Delft University of Technology（代尔夫特理工大学）
针对多变量时间序列时空交互建模难、传统PCA类方法特征向量不稳定的问题，提出基于样本协方差矩阵和联合时空卷积的STVNN模型，支持在线更新且稳定性更优，在多变量时间序列处理中表现具竞争力。
2024-09-16 cs.LG stat.ML
Model-free prediction of spatiotemporal dynamical systems with recurrent neural networks: Role of network spectral radius
Arizona State University（亚利桑那州立大学）
机器学习应用中的一个常见困难是缺乏指导底层神经网络关键参数选择的一般原则。聚焦于一类最近被用于非线性动力系统的无模型预测的循环神经网络-储备池计算系统，我们发现了一个令人惊讶的现象：在神经网络的谱半径中出现了一个区间，其中预测误差最小化。在误差与时间和光谱半径的三维表示中，间隔对应于“谷”的底部区域。“这样的山谷出现在由非线性偏微分方程描述的各种时空动力系统中，而不管底层水库网络的结构和边权重分布如何。我们还发现，虽然特定的位置和大小的山谷将取决于要预测的目标系统的细节，间隔往往是更大的无向网络比有向网络。谷现象可以有益于最佳储备池计算的设计，代表了理解这些机器学习系统的一小步。
2019-10-10 cs.LG nlin.CD physics.data-an
Energy Prediction using Spatiotemporal Pattern Networks
本文提出了一种新的数据驱动技术的时空模式网络（STPN）的基础上的复杂动力系统的能量/功率预测。STPN框架建立在符号动态滤波的基础上，不仅用于捕获单个系统的特性，而且用于捕获不同子系统之间的成对因果依赖关系。为了量化因果依赖关系，提出了一种基于互信息的度量方法。随后提出了一种基于STPN框架的能量预测方法。为了验证所提出的计划，两个案例研究，一个涉及风力涡轮机功率预测（供应侧能源）使用由国家可再生能源实验室（NREL）生成的西风集成数据集来识别时空特征，以及另一个，住宅电能分解（需求侧能源）使用美国建筑2010年数据集从NREL探索时间特征。在能量分解的背景下，凸规划技术超越STPN框架的开发和应用，以实现更好的分解性能。
2017-02-03 stat.ML
Attractor learning for spatiotemporally chaotic dynamical systems using echo state networks with transfer learning
Dept. of Natural and Behavioral Sciences, Sul Ross State University（自然与行为科学系，索尔罗斯州立大学）；Dept. of Mathematics, University of Houston（数学系，休斯顿大学）
本文提出利用回声状态网络与迁移学习预测时空混沌偏微分方程的长期统计特性，提升预测准确性时间长度。
2025-12-21 cs.AI cs.LG math.DS
A Dynamic Spatiotemporal and Network ARCH Model with Common Factors
本文提出一种纳入波动率特定潜在因子与可观测因子的动态时空ARCH模型，利用贝叶斯MCMC估计与因子选择方法刻画空间、时间及网络溢出效应，并在美国住房市场和股票市场应用中验证了其捕捉互联性的能力。
2024-10-21 econ.EM q-fin.ST stat.ME
A Recurrent Neural Network and Differential Equation Based Spatiotemporal Infectious Disease Model with Application to COVID-19
UC Irvine（加州大学尔湾分校）
2019冠状病毒病（COVID-19）的爆发对世界产生了重大影响。对感染趋势进行建模和对病例进行实时预测可以帮助决策和控制疾病传播。然而，数据驱动的方法，如递归神经网络（RNN），由于每日样本有限，可能会表现不佳。在这项工作中，我们开发了一个集成的时空模型的基础上流行病微分方程（SIR）和RNN。前者经过简化和离散化后是一个紧凑的区域时间传染趋势模型，而后者则是最近邻区域的影响模型。后者捕捉潜在的空间信息。%未公开报道。我们在意大利的COVID-19数据上训练和测试了我们的模型，并表明它在1天，3天和1周的预测中优于现有的时间模型（全连接NN，SIR，ARIMA），特别是在训练数据有限的情况下。
2020-09-17 cs.LG q-bio.PE stat.AP
Comparative Analysis of Spatiotemporal Volatility Models: An Empirical Study on Financial Network Series
University of Glasgow（格拉斯哥大学）；European University Viadrina（欧洲维拉纳大学）
本文通过实证研究比较了多种时空波动模型在金融网络序列中的预测性能，发现动态时空ARCH模型在预测精度和计算成本方面表现优异。
2026-03-02 stat.AP
Sequential Channel State Tracking & SpatioTemporal Channel Prediction in Mobile Wireless Sensor Networks
我们提出了一个非线性滤波框架接近的问题，在移动无线传感器网络中的信道状态跟踪和时空信道增益预测，在贝叶斯设置。我们假设无线信道构成一个可观察的（由传感器/网络节点），时空，条件高斯随机过程，这是统计依赖于一组隐藏的信道参数，称为信道状态。信道状态根据已知的、非平稳的、非线性的和/或非高斯马尔可夫随机核随时间演变。该公式导致部分可观测系统，具有随时间变化的全局状态和时空变化的观测。认识到一般的非线性状态估计的棘手性，我们提倡使用基于网格的近似滤波器作为一种有效的和鲁棒的手段递归跟踪的信道状态。我们还提出了一个连续的时空预测跟踪信道增益在时间和空间的任何点，提供实时连续估计各自的信道增益图，为网络中的每个传感器。此外，我们表明，这两个估计收敛到真正的各自的MMSE最优估计，在一个共同的，相对较强的意义。数值仿真验证了该方法的有效性。
2015-02-06 cs.IT math.IT stat.AP
Dynamic Decomposition of Spatiotemporal Neural Signals
神经信号的特点是丰富的时间和时空动态，反映了组织的皮层网络。理论研究表明，神经网络如何在与特定类型的信息处理相对应的不同动态范围内运行。在这里，我们提出了一个数据分析框架，使用这些动态状态的线性化模型，以便将测量的神经信号分解成一系列的组件，捕获的节奏和非节奏的神经活动。该方法是基于随机微分方程和高斯过程回归。通过计算机模拟和脑磁图数据的分析，我们证明了该方法的有效性，在识别有意义的调制振荡信号破坏结构化的时间和时空噪声。这些结果表明，该方法是特别适合于复杂的时间和时空神经信号的分析和解释。
2016-05-09 q-bio.NC stat.ML
Exponential Spatiotemporal GARCH Model with Asymmetric Volatility Spillovers
本文提出时空E-GARCH模型，将非对称波动率溢出纳入时空GARCH框架并推广时间序列E-GARCH至空间网络设定，推导平稳性与矩条件，提出QML估计并通过模拟和股票市场金融网络实证验证其有效性。
2025-11-07 stat.AP
Spatiotemporal large-scale networks shaped by air mass movements
大气气团的运动可以被看作是盘旋在我们星球上的连续而复杂的粒子流。然而，它可以通过考虑在给定的时间段内连接地球遥远地区的气团的三维轨迹来局部简化。在本文中，我们提出了一个数学框架来构建空间和时空网络的节点是一个地理区域的分区的子集，这些节点之间的链接推断从采样的轨迹的空气质量通过和跨越节点。我们提出了不同的估计依赖于不同的生物物理假设和覆盖可调的时间段的链接强度。这种方法导致一类新的时空网络的特点是邻接矩阵。我们应用的方法在两个真正的地理环境：法国地区的普罗旺斯-阿尔卑斯-蔚蓝海岸的流域和地中海的海岸线。分析所构建的网络允许确定一个显着的季节性模式，在研究领域的空气质量运动。这些构建的网络可用于调查问题，例如，在空气生物学和空气传播的植物病原体的流行病学。类似的网络可以从其他类型的轨迹（如动物轨迹）中估计出来。
2020-07-21 stat.AP
Learning Volatility Dependence Networks in UK Equity Markets using Penalised Spatiotemporal ARCH Models
University of Glasgow（格拉斯哥大学）
本文提出LASSO惩罚的准极大似然估计方法，联合学习英国股市的波动率依赖网络，提升了样本外波动率预测精度，揭示了替代结构未捕捉的方向依赖关系。
2026-08-27 stat.AP
Chronological Analysis of Rigvedic Mandalas using Social Networks
Cambridge Institute of Technology（剑桥理工学院）；CMR Institute of Technology（CMR理工学院）
本研究针对《梨俱吠陀》十篇独立篇章的内部年代排序问题，采用基于余弦相似度的聚类技术做文本分析，结合网格型社交网络呈现神祇与篇章关联并分析河流记载，为吠陀年代学研究提供新方法与线索。
2024-07-01 cs.CL cs.SI
Higher-order models capture changes in controllability of temporal networks
在许多复杂系统中，元件通过时变网络拓扑进行交互。最近的研究表明，相互作用的时间顺序的时间相关性至关重要的影响网络的性质和动力学过程。这些相关性如何影响我们控制具有时变相互作用的系统的能力仍不清楚。在这项工作中，我们使用高阶网络模型扩展的结构可控性的时间网络的框架，其中的时间顺序的相互作用产生了尊重时间的路径与非马尔可夫特征。我们研究了六个经验数据集，表明真实系统的非马尔可夫特性可以增加或减少控制整个系统所需的最小时间。与经验数据和合成模型，我们进一步表明，谱特性的概括图拉普拉斯高阶网络可以用来分析捕获的时间相关性的可控性的影响。我们的工作强调了（i）相互作用的时间顺序的相关性是复杂性的重要来源，它显著影响了时间网络的可控性，（ii）高阶网络模型是理解经验系统的时间拓扑特征的有力工具。
2020-11-29 cs.SI physics.soc-ph
Diffusion in Colocation Contact Networks: the Impact of Nodal Spatiotemporal Dynamics
时间接触网络的研究是为了理解动态传播现象，如传染病或信息传播。为了确定节点的时空动态如何影响托管联系网络中的传播潜力，我们提出了“诱导洗牌”空模型，该模型打破了时间，位置和节点之间的一个或多个相关性。通过重新配置每个节点在网络中出现的时间和/或位置，这些模型诱导出替代的托管事件集合，从而产生具有不同传播潜力的接触网络。这使得关于节点时空偏好的相关性如何不仅导致给定的接触网络，而且最终影响网络的传播潜力的二阶因果推理成为可能。我们发现，节点和时间之间的相关性是传播的最大障碍，而时间和位置之间的相关性对传播有轻微的催化作用。在每一个零模型下，我们都测量了接触人数和感染率随时间的变化，令人惊讶的是，两者之间没有直接的因果关系。
2015-12-08 cs.SI physics.soc-ph
GaAN: Gated Attention Networks for Learning on Large and Spatiotemporal Graphs
The Chinese University of Hong Kong（香港中文大学）；Hong Kong University of Science and Technology（香港科技大学）；Amazon Web Services（亚马逊网络服务）；Microsoft Research（微软研究院）
我们提出了一种新的网络架构，门控注意力网络（GaAN），用于图上的学习。与传统的多头注意力机制不同，GaAN使用卷积子网络来控制每个注意力头的重要性。我们证明了GaAN在归纳节点分类问题上的有效性。此外，以GaAN为构建块，我们构建了图门循环单元（GGRU）来解决交通速度预测问题。在三个真实世界数据集上的广泛实验表明，我们的GaAN框架在这两个任务上都取得了最先进的结果。
2018-03-20 cs.LG cs.SI
Identifying rich clubs in spatiotemporal interaction networks
针对空间加权时间网络缺乏富人俱乐部度量的问题，提出WTRC指标与统一分析框架，并通过多尺度人类移动网络验证其能更准确识别显著的加权时间富人俱乐部效应。
2025-01-10 cs.SI physics.soc-ph
Causal Paths in Temporal Networks of Face-to-Face Human Interactions
在时间网络中，因果路径的特征在于从源到目标的链接必须遵守时间顺序。在这篇文章中，我们研究了在不同的社会背景下，人类面对面互动的时间网络中的因果路径结构。在静态网络中，路径是可传递的，即从$a$到$b$以及从$b$到$c$的链路的存在意味着从$a$经由$b$到$c$的路径的存在。在时间网络中，时序约束引入了影响传递性的时间相关性。一个基于高阶马尔可夫链的概率模型表明，只有当连续事件之间的时间间隔大于平均值时，才存在使传递性失效的相关性，并且在低于该值时可以忽略不计。时间和静态可达性矩阵的密度之间的比较表明，静态表示可以使用良好的近似。此外，我们量化的因果连接区域的网络随着时间的推移的程度。
2020-07-24 cs.SI
STEC-Net: A Spatiotemporal Graph Neural Framework for Community Discovery in Dynamic Social Networks
Southern Methodist University（南方卫理公会大学）；Qilu Bank（齐鲁银行）
提出STEC-Net，一种集成图卷积网络、门控循环单元和自组织映射的时空图神经框架，用于动态社交网络中的社区发现，在多种动态网络上优于传统方法。
2026-05-22 cs.SI
GTFS2STN: Analyzing GTFS Transit Data by Generating Spatiotemporal Transit Network
本研究提出GTFS2STN工具，将静态GTFS公交网络转换为时空网络以分析可达性，还推出网页版支持在线分析，对比Mapnificent更灵活，可上传多机构历史或建议数据，助力公交规划研究。
2024-08-21 cs.CE cs.SI
