Automatic Integration for Spatiotemporal Neural Point Processes
University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出 AutoSTPP，通过 ProdNet 可分解参数化将对偶网络积分方法从一维时间点过程扩展到三维时空点过程，有效解决了复杂强度函数的积分难题，并在合成与真实数据上验证了其一致性和恢复复杂强度函数的优势。
2023-10-31 cs.LG stat.ML
Implicit Neural Differential Model for Spatiotemporal Dynamics
University of Notre Dame（圣母大学）；Cornell University（康奈尔大学）
针对混合神经物理模型在长期预测中的数值不稳定与误差累积问题，提出隐式物理集成神经可微求解器 Im-PiNDiff，利用隐式不动点层与混合梯度传播策略，在保持端到端可微的同时显著提升了预测精度、数值稳定性与计算效率。
2025-04-03 cs.AI cs.LG
Likelihood-Free Estimation for Spatiotemporal Hawkes processes with missing data and application to predictive policing
Department of Statistics, University of Michigan（密歇根大学统计学院）
针对犯罪数据缺失导致时空Hawkes模型参数估计偏差的问题，提出WGAN驱动的无似然方法，通过实证提升参数估计准确性，为预测性警务提供更可靠策略。
2025-02-10 cs.LG stat.AP stat.ME
Building Autocorrelation-Aware Representations for Fine-Scale Spatiotemporal Prediction
University of Southern California（南加州大学）
许多科学预测问题都存在时空数据和建模相关的挑战，即仅使用稀疏和不均匀分布的观测来处理空间和时间的复杂变化。本文提出了一种新的深度学习架构，Deep learning predictions for LocATion-dependent Time-sEries data（DeepLATTE），它将空间统计理论明确地结合到神经网络中以解决这些挑战。除了特征选择模块和时空学习模块之外，DeepLATTE还包含自相关引导的半监督学习策略，以强制学习的时空嵌入空间中的预测的局部自相关模式和全局自相关趋势与观察到的数据一致，克服稀疏和不均匀分布的观察的限制。在训练过程中，监督和半监督损失都引导整个网络的更新：1）防止过拟合，2）改进特征选择，3）学习有用的时空表示，4）提高整体预测。我们使用公开的数据进行DeepLATTE演示，用于一个重要的公共卫生主题，空气质量预测，在一个经过充分研究的复杂物理环境中-洛杉矶。实验表明，该方法提供了准确的精细空间尺度的空气质量预测，并揭示了影响结果的关键环境因素。
2021-12-10 cs.LG
Spatiotemporal k-means
University of Washington（华盛顿大学）；Level Ventures；Pacific Northwest National Laboratory（太平洋西北国家实验室）
针对时空聚类中移动聚类发现的需求，提出两阶段时空k均值方法STkM，通过统一时空目标函数实现多尺度动态聚类追踪，在低数据量基准测试中优于基线方法，还可拓展至视频无监督感兴趣区域检测等任务。
2024-04-15 cs.LG
Decoupling Long- and Short-Term Patterns in Spatiotemporal Inference
School of Computing, National University of Singapore（新加坡国立大学计算机学院）；INTR Thrust, Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）INTR部）；Faculty of Engineering and Information Technology, University of Technology Sydney（悉尼科技大学工程与信息技术学院）
针对传感器数据稀疏导致的细粒度测量难题，提出解耦长短期模式建模的方法，通过联合时空图注意力网络和时间跳跃图循环网络分别捕获短期精细关系与长期依赖，在四个数据集上取得最优性能。
2024-04-23 cs.AI cs.LG
Leveraging Predictive Models for Adaptive Sampling of Spatiotemporal Fluid Processes
Plaksha University（普拉沙大学）；University of Pennsylvania（宾夕法尼亚大学）
提出PASST算法，利用基于知识的神经常微分方程预测流体过程并结合强化学习规划路径，实现高效持续的自适应时空流体采样。
2023-04-03 cs.LG cs.RO
Non-separable Covariance Kernels for Spatiotemporal Gaussian Processes based on a Hybrid Spectral Method and the Harmonic Oscillator
School of Electrical and Computer Engineering, Technical University of Crete（克里特技术大学电气与计算机工程学院）
本文提出基于物理的混合谱方法，从线性阻尼谐振子推导出非可分时空协方差核，涵盖三种阻尼状态，可捕捉单调与振荡衰减的时空相关性。
2024-01-09 cs.AI cs.LG math.ST
Cox-Hawkes: doubly stochastic spatiotemporal Poisson processes
Imperial College London（伦敦帝国理工学院）；University of Copenhagen（哥本哈根大学）；Boston College（波士顿学院）；University of Oxford（牛津大学）
霍克斯过程是一种点过程模型，已被用于捕获社会互动，神经活动，地震和病毒流行病中的自兴奋行为。它们可以模拟事件发生的时间和地点。在这里，我们开发了一类新的时空霍克斯过程，可以捕获触发和聚类行为，我们提供了一个有效的方法进行推理。我们使用对数高斯Cox过程（LGCP）作为Hawkes过程的背景率的先验，它提供了任意的灵活性来捕获广泛的潜在背景效应（对于传染病，这些被称为地方病效应）。Hawkes过程和LGCP是计算昂贵的，由于前者具有可能性与二次复杂性的观测数量和后者涉及的精度矩阵的求逆，这是立方的观测。在这里，我们提出了一种新的方法来执行MCMC采样为我们的霍克斯过程与LGCP的背景下，使用预训练的高斯过程生成器，提供直接和廉价的访问样本在推理过程中。我们在模拟数据的实验中展示了我们方法的有效性和灵活性，并使用我们的方法来揭示美国报告犯罪数据集的趋势。
2022-10-21 cs.LG stat.ML
Physics-Guided Fully Convolutional Spatiotemporal Learning Toward Digital-Twin-Enabled Microstructure Evolution Prediction
Florida Institute of Technology（佛罗里达理工学院）
提出物理引导的全卷积时空学习框架，通过将控制物理方程纳入训练目标，提升微观结构演化预测的物理一致性和长期稳定性，优于纯数据驱动方法。
2026-06-23 cs.LG
Graph Neural Network for spatiotemporal data: methods and applications
Emory University（埃默里大学）
本文系统综述了时空数据中图神经网络的图构建方法、模型分类、典型应用及未来挑战，为领域专家和模型开发者提供全面参考。
2023-05-30 cs.AI cs.LG
Probabilistic Spatiotemporal Modeling of Day-Ahead Wind Power Generation with Input-Warped Gaussian Processes
University of California Santa Barbara（加利福尼亚大学圣巴巴拉分校）；Amazon（亚马逊公司）
提出一种基于输入扭曲高斯过程的日前风电功率时空概率模型，通过可分离时空核和时空输入扭曲捕捉非平稳性，并在ERCOT数据集上验证了其有效性。
2024-09-10 cs.LG cs.SY eess.SY
Neural Processes Maintain Calibrated Biomass Estimates Across Spatiotemporal Gaps and Disturbance
University of Cambridge（剑桥大学）
本文提出神经过程框架用于时空稀疏数据下的生物量估计，通过空间-时间对称建模实现校准的不确定性预测，适用于森林碳核算的MRV应用。
2026-04-11 cs.CE cs.LG
Bayesian Complementary Kernelized Learning for Multidimensional Spatiotemporal Data
McGill University（麦吉尔大学）；HEC Montreal（蒙特利尔高等商学院）
本文提出贝叶斯互补核化学习（BCKL）框架，结合核化低秩张量分解与短程高斯过程，实现多维时空数据的高效可扩展概率建模，并在实验中验证了其在后验均值和不确定性估计上的优越性能。
2023-05-30 cs.LG stat.ML
A Predictive and Optimization Approach for Enhanced Urban Mobility Using Spatiotemporal Data
针对城市交通管理难题，本研究结合机器学习与实时交通数据，用纽约出租车数据构建预测模型，借助时空分析、GraphHopper API及Spark相关工具实现实时路径优化，显著提升出行预测与路径规划效果，为城市缓堵提效提供数据驱动方案。
2024-10-07 cs.LG
Spatiotemporal Clustering with Neyman-Scott Processes via Connections to Bayesian Nonparametric Mixture Models
University of Michigan（密歇根大学）；Stanford University（斯坦福大学）；New York University（纽约大学）；Flatiron Institute（弗拉蒂伦研究所）；Wu Tsai Neurosciences Institute（吴蔡神经科学研究所）
本文揭示了Neyman-Scott过程与Dirichlet过程混合模型通过有限混合模型建立的新联系，借此改编坍缩吉布斯采样算法实现可扩展贝叶斯推断，并验证了其在神经脉冲序列与文档流等时空数据聚类任务中的有效性。
2023-09-11 cs.LG stat.ML
Latent State Inference in a Spatiotemporal Generative Model
University of Tübingen（蒂宾根大学）；University of Hohenheim（霍恩海姆大学）
关于决定特定系统动态的隐藏因素的知识对于解释它们和追求目标导向的干预至关重要。在没有监督的情况下从时间序列数据推断这些因素仍然是一个公开的挑战。在这里，我们专注于时空过程，包括波的传播和天气动态，我们假设普遍的原因（如物理）适用于整个空间和时间。最近引入的离散时空图人工神经网络架构（DISTANA）被用于并增强以学习这样的过程，与时间卷积神经网络和其他相关方法相比，需要更少的参数并实现显著更准确的预测。我们发现，DISTANA，结合一个回顾性的潜在状态推理原则，称为主动调谐，可以可靠地推导出位置各自隐藏的因果因素。在当前的天气预测基准中，DISTANA仅通过观察温度动态来推断我们星球的陆地-海洋掩模，同时使用自我推断的信息来改进自己的未来温度预测。
2021-08-15 cs.LG stat.ML
Scalable Spatiotemporal Inference with Biased Scan Attention Transformer Neural Processes
University of Oxford（牛津大学）；Imperial College London（伦敦帝国学院）；University of Bristol（布里斯托尔大学）
本文提出BSA-TNP模型，通过引入核回归块、群不变注意力偏置和高效偏扫描注意力，实现高精度、高效率的时空过程建模，支持多分辨率学习和大规模推断。
2026-04-26 cs.LG stat.ML
TRENDy: Temporal Regression of Effective Nonlinear Dynamics
TRENDy提出一种无方程方法，通过多尺度滤波和神经ODE学习时空动力学的低维有效模型，能自动定位Turing和Hopf分岔，并成功应用于蜥蜴发育图案分析，揭示表面几何对反应-扩散机制的影响。
2025-02-28 cs.LG nlin.PS
Variational Mode-Driven Graph Convolutional Network for Spatiotemporal Traffic Forecasting
Lahore University of Management Sciences（拉合尔管理科学大学）
本文提出VMGCN框架，先用VMD将非平稳时空交通数据分解为可解释模式，再通过注意力增强GCN学习模式内与模式间依赖，在LargeST上实现短期和长期预测精度提升。
2025-07-21 cs.LG
A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation
School of Computer Science, University of Technology Sydney（悉尼科技大学计算机科学学院）；School of Computer Science and Technology, Zhejiang Normal University（浙江师范大学计算机科学与技术学院）；Department of Computer Science and Engineering, University of California, San Diego（加利福尼亚大学圣地亚哥分校计算机科学与工程学院）
针对时空数据填补中传统方法依赖分布假设、循环网络易误差累积及扩散模型生成不稳定的问题，提出条件扩散框架C$^2$TSD，利用解耦的时间表示作为条件信息并结合对比学习提升泛化能力，在三个真实数据集上优于多个基线。
2024-03-22 cs.LG
Simple and Robust Forecasting of Spatiotemporally Correlated Small Earth Data with A Tabular Foundation Model
School of Engineering and Technology, China University of Geosciences (Beijing)（工程与技术学院，中国地质大学（北京））；School of Geological Engineering and Geomatics, Chang'an University（地质工程与测绘学院，长安大学）
针对小型地球数据时空预测中传统深度学习需任务特定训练及基础模型存在全局均值偏差的问题，提出通过量化时空模式并利用表格基础模型进行预测的简单鲁棒方法，在多数场景下准确率和鲁棒性优于T-GCN和TabPFN。
2025-10-10 cs.LG
Spatiotemporal Information Processing with a Reservoir Decision-making Network
Chongqing University（重庆大学）；Peking University（北京大学）
时空信息处理是大脑功能的基础。本文研究了一种时空模式识别的规范神经网络模型。该模型由水库子网络和决策子网络两个模块组成。前者将复杂的时空模式投射到空间分离的神经表征中，后者通过随时间整合信息来读出这些神经表征;这两个模块通过使用已知示例的监督学习结合在一起。我们阐明了该模型的工作机制，并证明了其可行性的复杂的时空模式的歧视。我们的模型再现了神经系统中识别隐约模式的现象，并且可以用很少的训练样本学习区分步态。我们希望这项研究能让我们深入了解时空信息是如何在大脑中处理的，并帮助我们开发大脑启发的应用算法。
2019-07-28 cs.LG cs.NE q-bio.NC
Spatiotemporal Learning of Multivehicle Interaction Patterns in Lane-Change Scenarios
McGill University（麦吉尔大学）；Carnegie Mellon University（卡内基梅隆大学）；Beijing Institute of Technology（北京理工大学）
对常见但具有挑战性的交互场景的解释可以为自动驾驶汽车做出有根据的决策。以前的研究利用他们对特定场景的先验知识和预定义的模型实现了这一点，限制了他们的适应能力。本文描述了一种利用连续（即，高斯过程）和离散（即，狄利克雷过程）的随机过程，以揭示潜在的相互作用模式的自我车辆与其他附近的车辆。我们的模型放松依赖于周围车辆的数量，通过开发一个加速度敏感的速度场的基础上高斯过程。实验结果表明，该速度场能够较好地反映自车与周围环境的空间相互作用。然后，一个离散贝叶斯非参数模型，集成狄利克雷过程和隐马尔可夫模型，开发学习的时间空间上的相互作用模式，通过分割和聚类的顺序相互作用数据自动解释粒度模式。然后，我们评估我们的方法在高速公路换道的情况下，使用从现实世界的设置收集的highD数据集。结果表明，我们提出的贝叶斯非参数方法提供了一个深入了解复杂的车道变化的相互作用的自我车辆与多个周围的交通参与者的基础上，可解释的相互作用模式和它们的过渡性质的时间关系。我们提出的方法揭示了有效地分析其他类型的多智能体交互，如车辆-行人的相互作用。通过https://youtu.be/z_vf9UHtdAM查看演示。
2020-09-05 cs.LG cs.RO
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
Joint Characterization of Spatiotemporal Data Manifolds
San Diego State University（圣地亚哥州立大学）；Columbia University（哥伦比亚大学）
时空（ST）图像数据越来越常见，并且通常是高维（高D）的。ST数据建模可能是一个挑战，因为过多的独立和相互作用的过程，可能会或可能不会有助于测量。表征可以被认为是建模的补充，有助于指导关于生成过程及其在数据中的表示的假设。降维（DR）是一种经常实现的表征类型，旨在减轻高D信号的“维数灾难”。几十年来，主成分（PC）和经验正交函数（ERF）分析一直被用作DR和ST分析的线性、可逆方法。近年来，已经看到了一套非线性DR算法的额外发展，经常被归类为“流形学习”。在这里，我们探讨了ST数据流形使用PC/EOFs与两种非线性DR方法：拉普拉斯特征映射（LE）和t分布随机邻居嵌入（t-SNE）的联合表征的想法。从一个合成的例子，并进展到全球，区域和现场规模ST数据集跨越大约5个数量级的空间和2的时间，我们表明这三个DR方法可以产生互补的信息ST流形拓扑结构。与PC/EOFs产生的相对扩散的TFS相比，非线性方法产生更紧凑的流形，减少了时间端元（LE）和/或时空聚类（t-SNE）的模糊性。这些属性的补偿更大的可解释性，显着降低计算需求和减少的灵敏度，空间混叠的PC/EOFs比LE或t-SNE。两者合计，我们发现联合表征使用三个互补的DR方法能够更深入地了解生成ST过程比可能单独使用任何单一的方法。
2021-08-21 cs.LG physics.data-an physics.geo-ph
Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention
Beijing University of Technology（北京工业大学）；Pennsylvania State University（宾夕法尼亚州立大学）
提出FSTA-EC方法，融合傅里叶去噪注意力与联合时空注意力，从高噪声fMRI中同时建模空间动态与时间依赖，提升脑有效连接估计性能。
2025-03-14 cs.LG
A Dual-Graph Spatiotemporal GNN Surrogate for Nonlinear Response Prediction of Reinforced Concrete Beams under Four-Point Bending
Curtin University（科廷大学）
本文提出了一种双图时空图神经网络模型，用于预测四点弯曲条件下钢筋混凝土梁的非线性响应，通过结合节点和元素级的动力学，提高预测精度和效率。
2026-03-07 cs.LG
Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities
Sequoia Research Corporation（红杉研究公司）
本文针对非平稳高斯过程模型易过拟合等问题，受SBAS电离层建模启发，提出协方差增强高斯过程（CBGP）框架，通过增强协方差先验等方法发现潜在函数，经测试证明其有效性和鲁棒性，能在复杂环境中准确计算电离层校正。
2026-08-26 cs.LG physics.space-ph stat.ME
A case study of spatiotemporal forecasting techniques for weather forecasting
Skoltech（斯科尔科沃科技学院）；CAIT（先进信息技术中心）
本文探讨基于区域数据的天气预报方法，提出基于张量列动态模式分解的预测模型，在无需训练的情况下达到与最先进模型相当的准确性，同时降低计算成本。
2024-06-08 cs.CV cs.LG cs.NA
The Currents of Conflict: Decomposing Conflict Trends with Gaussian Processes
PRIO – Oslo（PRIO——奥斯陆）
本文提出结合高时空分辨率冲突事件数据与 Gaussian processes 估计冲突时空趋势的简约框架，可用于分析冲突陷阱、扩散与暴露、控制相关因素并进行先进预测。
2025-06-07 cs.LG stat.AP stat.ML
Memory In Memory: A Predictive Neural Network for Learning Higher-Order Non-Stationarity from Spatiotemporal Dynamics
Tsinghua University（清华大学）
自然时空过程在很多方面都具有高度的非平稳性，如局部像元值的空间相关性或时间依赖性等低层次的非平稳性;降水预报中雷达回波的积累、变形或耗散等高层次的变化。根据Cramer分解，任何非平稳过程都可以分解为确定性的时变多项式，加上一个零均值随机项。通过适当地应用差分运算，我们可以将时变多项式变成常数，使确定性分量可预测。然而，大多数以前的时空预测递归神经网络没有有效地使用差分信号，并且它们相对简单的状态转换函数阻止它们学习太复杂的时空变化。为此，我们提出了内存中的内存（MIM）网络和相应的递归块。MIM块利用相邻的经常性状态之间的差分信号来模拟时空动态中的非平稳和近似平稳特性，具有两个级联的自我更新的存储器模块。通过堆叠多个MIM块，我们可以处理高阶非平稳性。MIM网络在合成和真实世界数据集上的四个时空预测任务上取得了最先进的结果。我们相信，这项工作的总体思路可以潜在地应用于其他时间序列预测任务。
2019-04-21 cs.LG stat.ML
A Collaborative Platform for Soil Organic Carbon Inference Based on Spatiotemporal Remote Sensing Data
Universidad de Burgos（布尔戈斯大学）；University of Edinburgh（爱丁堡大学）；Universitat de Valencia（瓦伦西亚大学）
提出WALGREEN平台，利用机器学习与历史公私数据生成SOC预测模型，基于云技术集成Google Earth Engine和Sentinel Copernicus，支持多用户碳数据分析与决策，推动可持续农业与气候变化缓解。
2025-04-29 cs.CY cs.LG
A Deep Learning Approach for Predicting Spatiotemporal Dynamics From Sparsely Observed Data
Georgia Institute of Technology（佐治亚理工学院）
本文研究由未知偏微分方程驱动的时空物理过程的预测模型学习问题。我们提出了一个深度学习框架，它可以学习底层动态，并使用稀疏分布的数据站点预测其演变。近年来，深度学习在物理动力学建模方面取得了可喜的成果。然而，大多数现有的用于建模物理动力学的深度学习方法要么专注于解决已知的PDE，要么在管理PDE未知时需要密集网格中的数据。相比之下，我们的方法专注于学习预测模型的未知偏微分方程驱动的动态，只有从稀疏观测数据。该方法具有空间维数无关性和几何灵活性。我们展示了我们的方法在预测任务的二维波动方程和Burgers-Fisher方程在多个几何形状与不同的边界条件，和十维热方程。
2021-05-01 cs.LG cs.NA math.AP
