Automated Spatio-Temporal Weather Modeling for Load Forecasting
EDF R&D（法国电力公司研发部）；Lab Paris Saclay（巴黎萨克雷实验室）；INRIA（法国国家信息与自动化研究所）；LPSM（数学与建模科学实验室）；Sorbonne Université（索邦大学）
本文提出利用深度神经网络的自动表示与时空特征提取能力，改进用于电力负荷预测的时空气象建模，并在法国国家负荷数据上验证了其优于现有最先进方法。
2024-09-23 cs.AI cs.LG stat.ML
Adaptive Spatio-Temporal Graphs with Self-Supervised Pretraining for Multi-Horizon Weather Forecasting
School of Computer Science, Xiangtan University, Xiangtan, 411105, China（计算机学院，湘潭大学，湘潭，411105，中国）
提出一种结合图神经网络与自监督预训练的自适应时空图框架，通过时空自适应机制提升多变量、多时间跨度天气预报的准确性与泛化能力。
2025-10-28 cs.AI cs.LG
DYffusion: A Dynamics-informed Diffusion Model for Spatiotemporal Forecasting
University of California, San Diego（加州大学圣地亚哥分校）
提出DYffusion，一种利用时间动态耦合扩散步骤的扩散模型，用于高效概率性时空预测，在多步长范围预测中表现优异且计算高效。
2023-10-11 cs.AI cs.LG stat.ML
Spatio-temporal Stacked LSTM for Temperature Prediction in Weather Forecasting
KU Leuven（鲁汶大学）
长短期记忆（LSTM）是一种广泛应用于序列学习和时间序列预测的方法。在本文中，我们将堆叠LSTM模型部署在天气预报的应用中。我们提出了一个2层时空堆叠LSTM模型，它由第一层LSTM层中每个位置的独立LSTM模型组成。随后，基于第一层LSTM模型的隐藏状态的组合来形成第二层LSTM层的输入。实验表明，通过利用空间信息，堆叠LSTM模型的预测性能在大多数情况下都有所提高。
2018-11-15 cs.LG stat.ML
Long-Range Transformers for Dynamic Spatiotemporal Forecasting
University of Virginia（弗吉尼亚大学）；IBM Research（IBM研究院）；UT Austin（德克萨斯大学奥斯汀分校）
多变量时间序列预测侧重于基于历史背景预测未来值。最先进的序列到序列模型依赖于时间步长之间的神经注意力，这允许时间学习，但未能考虑变量之间的不同空间关系。相比之下，基于图神经网络的方法显式地对变量关系进行建模。然而，这些方法通常依赖于预定义的图，这些图不能随时间变化，并且在每个时间步的每个变量之间没有建立直接联系的情况下执行单独的空间和时间更新。我们的工作通过将多变量预测转换为“时空序列”公式来解决这些问题，其中每个Transformer输入令牌表示给定时间的单个变量的值。然后，远程Transformers可以沿着这个扩展序列共同学习空间、时间和值信息之间的交互。我们的方法，我们称之为Spacetimeformer，在从交通预测到电力需求和天气预测的基准上取得了有竞争力的结果，同时纯粹从数据中学习时空关系。
2023-03-18 cs.LG stat.ML
CloudLSTM: A Recurrent Neural Model for Spatiotemporal Point-cloud Stream Forecasting
The University of Edinburgh（爱丁堡大学）
本文介绍了CloudLSTM，这是一个新的递归神经模型分支，专门用于预测地理空间点云源生成的数据流。我们设计了一个动态点云卷积（DConv）算子作为CloudLSTM的核心组件，它直接在点云上执行卷积，并从围绕输入的不同元素的相邻点集合中提取局部空间特征。该算子保持了序列到序列学习框架的排列不变性，同时表示每个时间步的相邻相关性-时空预测学习的一个重要方面。DConv算子解决了现有时空预测模型的网格结构数据需求，并且可以通过序列到序列学习和注意力机制轻松插入传统的LSTM架构。我们将我们提出的架构应用于两个涉及点云流的代表性实际用例，即，流动服务交通预测及空气质素指标预测。我们的结果是通过在每个用例的不同场景中收集的真实数据集获得的，结果表明CloudLSTM提供了准确的长期预测，优于各种竞争对手的神经网络模型。
2021-02-21 cs.LG stat.ML
DSTFView: Multi-View Cloud-Edge Workload Forecasting with Dual-Input Spatio-Temporal-Frequency Modeling
Xinjiang University（新疆大学）
针对协作式云边环境中多维特征建模与预测效率平衡难题，提出DSTFView框架，通过双输入时空频率建模联合捕捉多种依赖性，设计自适应融合机制，实验证明其在多指标上优于基线。
2026-07-28 cs.AI cs.LG
RNN with Particle Flow for Probabilistic Spatio-temporal Forecasting
McGill University（麦吉尔大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
时空预测在分析无线网络、交通网络和金融网络中有着广泛的应用。许多经典的统计模型在处理时间序列数据中存在的复杂性和高度非线性方面往往存在不足。深度学习的最新进展允许更好地建模空间和时间依赖性。虽然大多数这些模型侧重于获得准确的点预测，但它们并不表征预测的不确定性。在这项工作中，我们认为时间序列数据作为一个随机实现的非线性状态空间模型和目标贝叶斯推断的隐藏状态的概率预测。我们使用粒子流作为近似状态的后验分布的工具，因为它被证明是非常有效的复杂，高维设置。在几个真实世界的时间序列数据集上进行的彻底实验表明，我们的方法提供了更好的不确定性表征，同时保持了与最先进的点预测方法相当的准确性。
2021-06-10 cs.LG stat.ML
SAMSGL: Series-Aligned Multi-Scale Graph Learning for Spatio-Temporal Forecasting
East China University of Science and Technology（华东理工大学）；Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Humboldt University of Berlin（柏林洪堡大学）
针对时空预测中时间延迟与多尺度交互难题，提出序列对齐多尺度图学习框架SAMSGL，通过序列对齐图卷积与多尺度图结构学习及Graph-FC块融合时空信息，在气象和交通数据集上验证了其有效性。
2024-05-28 cs.AI cs.LG
CASTNet: Community-Attentive Spatio-Temporal Networks for Opioid Overdose Forecasting
University of Pittsburgh（匹兹堡大学）；Middle East Technical University（中东技术大学）
阿片类药物过量是美国日益严重的公共卫生危机。这一危机被称为“类阿片流行病”，具有广泛的社会后果，包括健康状况恶化、犯罪率上升和家庭问题。为了改善过量监测并确定需要预防工作的领域，在这项工作中，我们专注于使用实时犯罪动态预测阿片类药物过量。以往的工作查明了类阿片使用与犯罪活动之间的各种联系，如经济动机和共同原因。受这些观察的启发，我们提出了一种新的时空预测模型，利用犯罪事件的时空模式来预测阿片类药物过量。我们提出的模型结合了多头注意力网络来学习特征的不同表示子空间。这种深度学习架构被称为“社区关注”网络，允许通过组的混合来优化给定位置的预测（即，地区）。此外，我们提出的模型还可以解释来自哪些社区的哪些特征对预测当地事件有更多贡献，以及如何通过预测来捕捉这些社区。我们对两个真实世界过量数据集的结果表明，我们的模型实现了卓越的预测性能，并在犯罪动态和阿片类药物过量动态之间的时空关系方面提供了有意义的解释。
2020-05-29 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
Spatio-Temporal Meta-Graph Learning for Traffic Forecasting
The University of Tokyo（东京大学）；Toyota Motor Corporation（丰田汽车公司）
交通量预测作为多元时间序列预测的一个典型任务，一直是人工智能领域的重要研究课题。为了解决交通流中隐含的时空异质性和非平稳性，在这项研究中，我们提出了时空元图学习作为一种新的时空数据的图结构学习机制。具体来说，我们将这个想法实现到元图卷积递归网络（MegaCRN）中，将由元节点库驱动的元图学习器插入GCRN编码器-解码器。我们对两个基准数据集（即，METR-LA和PEMS-BAY）以及一个名为EXPY-TKY的新的大规模交通速度数据集，该数据集覆盖了东京的1843条高速公路。我们的模型在所有三个数据集上都优于最先进的模型。此外，通过一系列的定性评估，我们证明了我们的模型可以明确地解开道路连接和时隙与不同的模式，并鲁棒地适应任何异常的交通情况。代码和数据集可在https://github.com/deepkashiwa20/MegaCRN上获得。
2023-03-06 cs.AI cs.LG
Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting
Stanford University（斯坦福大学）；University of Cologne（科隆大学）；Shanghai AI Lab（上海人工智能实验室）
针对现有基于GCN的交通预测方法忽略城市空间层级的问题，提出AHSTN模型，通过自适应时空上下采样模块实现节点与簇级多尺度时空建模，在两个真实数据集上性能优于强基线。
2023-06-15 cs.AI 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
Stecformer: Spatio-temporal Encoding Cascaded Transformer for Multivariate Long-term Time Series Forecasting
Alibaba Group（阿里巴巴集团）
本文提出Stecformer模型，通过半自适应图的时空编码提取器和级联解码预测器CDP，解决多元长期时间序列预测中空间特征提取不足和不同预测周期一致性问题，在五个基准数据集上取得与最先进方法相当的性能。
2023-05-25 cs.AI cs.LG
CauSTream: Causal Spatio-Temporal Representation Learning for Streamflow Forecasting
School of Computing and Augmented Intelligence, Arizona State University（计算与增强智能学院，亚利桑那州立大学）；The ByWater Institute, Tulane University（泰勒沃特研究所，路易斯安那大学）
CauSTream通过因果时空表示学习提升径流预测精度，同时学习因果图以提供可解释的流域动态洞察。
2025-12-18 cs.AI cs.CE cs.LG
Spatio-Temporal Neural Networks for Space-Time Series Forecasting and Relations Discovery
Sorbonne Universités, UPMC Univ Paris 06, CNRS, LIP6 UMR 7606（索邦大学、巴黎第六大学、法国国家科学研究中心、巴黎第六大学计算机科学实验室（UMR 7606））；Vedecom Institute（维德科姆研究所）
我们引入了一个动态时空模型，形式化为一个递归神经网络，用于预测空间过程的时间序列，即一系列共享时间和空间依赖关系的观测。该模型通过结构化的潜在动态组件学习这些依赖关系，而解码器则从潜在表示中预测观察结果。我们考虑这个模型的几个变体，对应于不同的先验假设的空间关系之间的系列。该模型进行评估，并比较国家的最先进的基线，对各种预测问题的代表不同的应用领域：流行病学，地理空间统计和汽车交通预测。除了这些评价，我们还描述了实验表明这种方法提取相关的空间关系的能力。
2018-04-23 cs.LG stat.ML
LLMODE: Aligning ODEs with LLMs via Gated Token Injection for Irregular Spatio-Temporal Forecasting
Beihang University（北京航空航天大学）
LLMODE是基于冻结LLM的框架，通过图感知ODE编码器等处理不规则时空数据，在多数据集上表现优异，零样本泛化能力强。
2026-09-01 cs.AI cs.LG
FC-GAGA: Fully Connected Gated Graph Architecture for Spatio-Temporal Traffic Forecasting
Unity Technologies（Unity科技公司）；McGill University（麦吉尔大学）
多元时间序列预测是一个重要问题，在交通管理、蜂窝网络配置和定量金融中有应用。当有一个图可以捕捉时间序列之间的关系时，就会出现问题的特殊情况。在本文中，我们提出了一种新的学习架构，实现性能竞争力或优于现有的最好的算法，而不需要知识的图形。我们提出的架构的关键要素是可学习的全连接硬图门控机制，使使用的国家的最先进的和高计算效率的全连接的时间序列预测架构在交通预测应用。两个公共交通网络数据集的实验结果说明了我们的方法的价值，消融研究证实了每个元素的架构的重要性。代码可以在这里找到：https://github.com/boreshkinai/fc-gaga。
2020-12-14 cs.LG stat.ML
A Causality-Aware Spatiotemporal Model for Multi-Region and Multi-Pollutant Air Quality Forecasting
针对多区域多污染物空气质量预测，提出因果感知时空模型AirPCM，整合跨站相关性、时间自相关与气象-污染物因果，在真实数据集上超越现有方法，支持长期预测与环境治理。
2025-09-25 cs.AI cs.LG
Learning with Calibration: Exploring Test-Time Computing of Spatio-Temporal Forecasting
INTR \& DSA Thrust, The Hong Kong University of Science
针对时空预测中信号异常、分布偏移等问题，提出带校准的测试时计算范式ST-TTC，通过谱域校准器和快速更新机制实现实时偏差校正，兼具高效性与泛化性，经实验验证效果优异。
2025-10-29 cs.AI cs.ET cs.LG
Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting
Xinjiang University（新疆大学）；College of Geography and Remote Sensing Sciences, Xinjiang University（新疆大学地理与遥感科学学院）
针对蜂窝网络流量预测难题，提出MSPF-Net框架，它集成外部上下文信息，含时空频率流量编码器、峰值增强模块等，能联合建模流量动态、突发模式和新闻上下文信号，实验证明可有效提升预测性能。
2026-07-09 cs.AI cs.LG
AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network for Traffic Forecasting
Central South University（中南大学）；Hisense TransTech Co., Ltd.（海信网络科技股份有限公司）；Zhejiang University（浙江大学）
交通量预测是智能交通领域的一项基础性和挑战性任务。准确的预测不仅依赖于历史交通流信息，还需要考虑各种外部因素的影响，如天气状况、周边POI分布等。近年来，融合图卷积网络和递归神经网络的时空模型成为交通预测的研究热点，并取得了重大进展。然而，很少有作品结合外部因素。因此，基于引入外部因素可以提高时空预测流量的准确性和改善解释性的假设，我们提出了一个属性增强时空图卷积网络（AST-GCN）。我们将外部因素建模为动态属性和静态属性，并设计了一个属性增强单元来编码和集成这些因素到时空图卷积模型中。在真实数据集上的实验表明，与传统的交通预测方法相比，考虑外部信息对交通预测任务的有效性。此外，在不同的属性增强方案和预测水平设置下，AST-GCN的预测精度高于基线。
2020-11-22 cs.LG
Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting
Deggendorf Institute of Technology（德格多夫技术学院）
本文提出结合 sLSTM 与三层 Conv3D 的轻量级双路径时空网络，用于蜂窝流量预测，在真实数据集上较 ConvLSTM 降低 23% MAE，并提升 30% 泛化能力。
2025-07-17 cs.AI cs.LG
Hybrid Quantum-Classical Spatiotemporal Forecasting for 3D Cloud Fields
CMA Earth system Modeling and Prediction Center (CEMC)（中国气象局地球系统数值预报中心）；State Key Laboratory of Severe Weather (LaSW)（灾害天气国家重点实验室）；School of Computer Science and Engineering, Sichuan University of Science and Engineering（四川轻化工大学计算机科学与工程学院）；School of Electronic and Communication Engineering, Guangzhou University（广州大学电子与通信工程学院）；Aerospace Information Research Institute, Chinese Academy of Sciences（中国科学院空天信息创新研究院）
本文提出QENO框架，通过混合量子-经典方法提升3D云场预测精度，优于现有模型在MSE、MAE等指标上表现优异。
2026-03-31 cs.AI cs.LG
STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting
Southern University of Science and Technology（南方科技大学）；The University of Tokyo（东京大学）；University of Technology Sydney（悉尼科技大学）
针对交通预测中捕捉复杂时空模式的难题，本研究提出时空自适应嵌入组件，搭配普通Transformer构建的STAEformer在5个真实数据集上达SOTA，验证了该嵌入在捕捉时空关联与时序信息上的关键作用。
2023-10-08 cs.LG
Deep Echo State Networks with Uncertainty Quantification for Spatio-Temporal Forecasting
Jupiter Intelligence；University of Missouri（密苏里大学）
时空系统的长时间预测往往需要复杂的非线性动力学，很难事先确定。目前用于对这些过程进行建模的统计方法学通常是高度参数化的，因此，从计算的角度来看，实现具有挑战性。这个问题的一个潜在的简约解决方案是来自动力系统和工程文献的称为回声状态网络（ESN）的方法。ESN模型使用所谓的{ \it reservoir computing}来有效地计算递归神经网络（RNN）预测。此外，所谓的“深度”模型最近已被证明是成功的预测高维复杂的非线性过程，特别是那些具有多个空间和时间尺度的变化（如我们经常发现的时空环境数据）。在这里，我们介绍了一个深集成ESN（D-EESN）模型。我们提出了两个版本的时空过程，既产生预测和相关措施的不确定性，这个模型。第一种方法利用自举集成框架，第二种是在一个分层贝叶斯框架（BD-EESN）。这种更一般的分层贝叶斯框架自然适应非高斯数据类型和多层次的不确定性。该方法首先应用于一个新的非高斯多尺度洛伦兹-96动力系统模拟模型模拟的数据集，然后应用于一个长时间领先的美国（美国）土壤墒情预报应用
2018-09-03 cs.LG stat.ML
Error Adjustment Based on Spatiotemporal Correlation Fusion for Traffic Forecasting
McGill University（麦吉尔大学）；Nantong University（南通大学）
针对交通预测中误差存在时空自相关性、现有均方误差训练假设不成立的问题，提出通用SAEA框架，将误差建模为时空VAR过程，结合结构稀疏正则化与测试时调整，在多数据集多模型上均提升预测性能。
2025-10-25 cs.AI cs.LG
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting
Peking University（北京大学）；Beijing Institute of Big Data Research（北京大数据研究院）
及时准确的交通预测是城市交通控制和诱导的关键。由于交通流的高度非线性和复杂性，传统的预测方法往往不能满足中长期预测任务的要求，且往往忽略了时空相关性。在本文中，我们提出了一种新的深度学习框架，时空图卷积网络（STGCN），以解决交通领域的时间序列预测问题。我们没有应用常规的卷积和递归单元，而是将问题公式化在图上，并使用完整的卷积结构构建模型，这可以用更少的参数实现更快的训练速度。实验表明，我们的模型STGCN有效地捕捉全面的时空相关性，通过建模多尺度的交通网络，并始终优于各种现实世界的交通数据集的最先进的基线。
2018-07-12 cs.LG stat.ML
Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
Fudan University（复旦大学）；Nanyang Technological University（南洋理工大学）；Zhuhai Fudan Innovation Research Institute（珠海复旦创新研究院）；Guangzhou University（广州大学）
针对传感器网络覆盖不足导致的未观测节点状态预测难题，提出GenST框架，利用大语言模型提取语义特征作为桥梁，结合时空VAE和生成式Transformer两阶段生成，在零样本预测中显著优于基线。
2026-10-09 cs.AI cs.CL cs.LG
Crime Forecasting: A Spatio-temporal Analysis with Deep Learning Models
本研究针对城市分区特定日期犯罪数量预测问题，提出结合CNN与LSTM的新模型，通过对比不同数据序列（原始、分箱）对四种模型预测误差的影响，发现10组分箱数据下新模型性能最优，可提升犯罪预测准确性以辅助警方预防犯罪。
2025-02-13 cs.AI cs.LG
A Context Integrated Relational Spatio-Temporal Model for Demand and Supply Forecasting
Virginia Tech（弗吉尼亚理工大学）；Adobe Research（奥多比研究院）
传统的需求预测方法只关注时间依赖性的建模。然而，对时空数据的预测需要对复杂的非线性关系和空间依赖性进行建模。此外，动态上下文信息可能对需求值产生重大影响，因此需要捕获动态上下文信息。例如，在自行车共享系统中，自行车的使用可能会受到天气的影响。现有的方法假设上下文影响是固定的。然而，我们注意到，背景影响随着时间的推移而演变。提出了一种新的上下文集成关系模型--上下文集成图神经网络（CIGNN），它利用时间、关系、空间和动态上下文依赖关系进行多步需求预测。我们的方法考虑了不同地理位置的需求网络，并将网络表示为图。我们定义了一个需求图，其中节点表示需求时间序列，和上下文图（每种类型的上下文一个），其中节点表示上下文时间序列。假设各种情况下的发展，并有一个动态的需求波动的影响，我们提出的CIGNN模型采用了一种融合机制，共同学习所有可用类型的上下文信息。据我们所知，这是第一种将动态上下文与图神经网络集成用于时空需求预测的方法，从而提高了预测精度。我们在两个真实世界的数据集上给出了实证结果，证明CIGNN在周期性和不规则时间序列网络中的表现始终优于最先进的基线。
2020-09-25 cs.LG stat.ML
Nested Spatio-Temporal Time Series Forecasting
Fudan University, Shanghai（复旦大学）；Department of Computer Science and Technology, Nanjing University（南京大学计算机科学与技术系）；ByteDance（字节跳动）
本文提出了一种嵌套预测框架，通过结合未来宏观区域趋势与微观历史观测，实现了精细化预测，并通过谱聚类方法构建语义连贯的区域，有效过滤系统性噪声并保留关键趋势，实验表明该方法在多个高维数据集上优于现有最先进基线。
2026-05-19 cs.AI cs.LG
Gini-regularized Optimal Transport with an Application to Spatio-Temporal Forecasting
Amazon（亚马逊）；NCSU（北卡罗来纳州立大学）
快速增长的产品线和服务需要考虑地理位置的更细粒度的预测。然而，悬而未决的问题仍然是，如何评估时空预测的质量？在这篇手稿中，我们引入了一个度量来评估时空预测。该度量基于最优传输（OT）问题。我们提出的度量是一个约束OT目标函数，使用Gini杂质函数作为正则化子。我们通过计算机实验证明了Gini正则化OT问题的定性和定量特征。当Gini正则化问题是正则化参数λ的函数时，我们证明了Gini正则化OT问题收敛于经典OT问题.经典OT解的收敛速度比最先进的熵正则化OT[Cuturi，2013]更快，并产生数值上更稳定的算法。
2017-12-07 cs.LG stat.ML
Spatio-temporal DeepKriging in PyTorch: A Supplementary Application to Precipitation Data for Interpolation and Probabilistic Forecasting
School of Mathematics and Applied Statistics, University of Wollongong, Australia（数学与应用统计学系，沃林戈恩大学，澳大利亚）
本文基于PyTorch平台实现时空深度克里金（STDK）框架，用于欧洲降水数据的插值与多步预测，并提供可复现代码模块，验证了该方法在处理时空不规则性时的预测性能与鲁棒性。
2025-09-16 cs.LG stat.AP
VaryST: Generalizable Spatio-Temporal Forecasting Beyond the Closed-World Setting
Beijing Jiaotong University（北京交通大学）；Aalborg University（奥尔堡大学）
本研究提出VaryST时空预测模型，通过动态构建预测上下文、适配时空变化及处理观测可用性差异，在域内预测、零/少样本泛化及观测鲁棒性上均优于17个基准模型。
2026-10-14 cs.AI cs.LG
A spatiotemporal machine learning approach to forecasting COVID-19 incidence at the county level in the USA
University of Colorado Boulder（科罗拉多大学博尔德分校）
随着COVID-19影响全球每个国家并改变日常生活，预测疾病传播的能力比以往任何流行病都更重要。传统的疾病传播建模方法，即房室模型，是基于病毒传播的时空均匀性的假设，这可能会导致预测表现不佳，特别是在高空间分辨率下。在本文中，我们的预测任务的替代技术-时空机器学习。我们提出了COVID-LSTM，这是一种基于长短期记忆深度学习架构的数据驱动模型，用于预测美国县级的COVID-19发病率。我们使用每周新的阳性病例数作为时间输入，并从Facebook的运动和连通性数据集中手工设计空间特征，以捕捉疾病在时间和空间上的传播。COVID-LSTM在我们为期17周的评估期内优于COVID-19 Forecast Hub的Ensemble模型（COVIDhub-ensemble），使其成为第一个在一个或多个预测期内比COVIDhub-ensemble更准确的模型。在4周的预测范围内，我们的模型平均每个县50例，比COVID hub集合更准确。我们强调，在COVID-19之前，数据驱动的疾病传播预测未得到充分利用可能是由于缺乏足够的先前疾病数据，以及时空预测机器学习方法的最新进展。我们讨论了更广泛地采用数据驱动预测的障碍，以及未来是否可能使用更多基于深度学习的模型。
2022-08-18 cs.LG stat.AP stat.ML
Transformer with Koopman-Enhanced Graph Convolutional Network for Spatiotemporal Dynamics Forecasting
Charles F. Dolan School of Business, Fairfield University（Fairfield大学商学院）；Department of Industrial & Systems Engineering, The University of Tennessee（田纳西大学工业与系统工程系）
本文提出TK-GCN两阶段框架，结合Koopman增强图卷积网络与Transformer，在不规则几何域上实现长程时空动力学预测，并在心脏动力学预测中验证其优越精度。
2025-07-05 cs.LG stat.ML
Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting
Southern University of Science and Technology（南方科技大学）；The University of Tokyo（东京大学）；Hong Kong University of Science and Technology（香港科技大学）；Squirrel AI（松鼠AI）；Jilin University（吉林大学）
本文提出HimNet，通过时空嵌入隐式捕捉异质性，并从元参数池学习时空特定参数，在五个基准上取得最先进预测性能并具备优越可解释性。
2024-09-03 cs.LG
FasterSTS: A Faster Spatio-Temporal Synchronous Graph Convolutional Networks for Traffic flow Forecasting
Wuhan University of Technology（武汉理工大学）；Zhejiang Sci-Tech University（浙江理工大学）
针对现有交通流预测方法时空建模分离且复杂度高的问题，提出更快速有效的时空同步图卷积网络FasterSTS，以提升预测性能并控制模型复杂度。
2025-01-01 cs.LG
Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatio-Temporal Data
Dept of Anthropology, UCLA（人类学系，加州大学洛杉矶分校）；Dept of Math, UCLA（数学系，加州大学洛杉矶分校）
本文提出一种通用框架，用于稀疏时空数据的建模、分析与预测，结合自激发点过程和图结构循环神经网络，实现宏微观尺度的联合建模与实时预测。
2018-04-02 cs.LG cs.NA math.NA
ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））
ProGen提出利用随机微分方程和扩散生成模型进行概率时空预测，通过整合去噪分数模型与图神经网络，在四个交通数据集上超越现有确定性与概率模型。
2024-11-02 cs.LG stat.ML
Towards Spatio-Temporal Aware Traffic Time Series Forecasting--Full Version
Aalborg University（奥尔堡大学）；Monash University（莫纳什大学）
交通时间序列预测是具有挑战性的，因为来自不同位置的复杂时空动态时间序列通常具有不同的模式;并且对于相同的时间序列，模式可能随时间而变化，例如，在一天中存在显示出更强的时间相关性的某些时段。尽管最近的预测模型，特别是基于深度学习的模型，显示出有希望的结果，但它们受到时空不可知论的影响。这样的时空不可知模型采用共享参数空间，而不管时间序列位置和时间段，并且它们假设时间模式在位置之间是相似的，并且不会在时间上演变，这可能并不总是成立，从而导致次优结果。在这项工作中，我们提出了一个框架，旨在把时空不可知模型时空感知模型。为此，我们将来自不同位置的时间序列编码为随机变量，从中生成特定于位置和随时间变化的模型参数，以更好地捕捉时空动态。我们展示了如何整合的框架与规范的注意，使时空意识的注意。其次，为了补偿时空感知模型参数生成过程中引入的额外开销，提出了一种新的窗口注意机制，将复杂度从二次降低到线性，使得时空感知注意也具有竞争效率.我们在四个交通时间序列数据集上展示了强有力的经验证据，其中所提出的时空感知注意力在准确性和效率方面优于最先进的方法。这是“Towards Spatio-Temporal Aware Traffic Time Series Forecasting”的扩展版本，将出现在ICDE 2022 [1]中，包括其他实验结果。
2022-04-05 cs.LG
Deep Spatio-Temporal Forecasting of Electrical Vehicle Charging Demand
Technical University of Denmark（丹麦技术大学）
电动汽车可以提供低碳排放解决方案，以扭转排放上升的趋势。然而，这要求用于满足需求的能源是绿色的。为了满足这一要求，准确预测充电需求至关重要。短期和长期的充电需求预测将有助于更好地优化电网和未来的基础设施扩建。在本文中，我们建议使用公开的数据来预测电动汽车充电需求。为了对充电站之间复杂的时空相关性进行建模，我们认为时间图卷积模型最适合捕捉相关性。与其他预测方法相比，所提出的时间图卷积网络提供了最准确的短期和长期预测。
2021-06-21 cs.LG
FDN: Interpretable Spatiotemporal Forecasting with Future Decomposition Networks
Department of Intelligent Systems Engineering, Indiana University Bloomington（印第安纳大学布卢明顿分校智能系统工程系）；Department of Computer Science and Engineering, Texas A&M University（德克萨斯大学阿姆斯特朗分校计算机科学与工程系）
提出未来分解网络（FDN），通过分类实现可解释预测，揭示潜在活动模式，并以更低的存储和运行成本达到与最先进方法相当的预测精度。
2026-06-25 cs.AI cs.LG
Rain-Code Fusion : Code-to-code ConvLSTM Forecasting Spatiotemporal Precipitation
Research Institute for Infrastructure Paradigm Shift, Yachiyo Engineering Co., Ltd.（基础设施范式转换研究所，八千代工程株式会社）
最近，由于气候变化引起的前所未有的天气条件，洪水灾害已成为一个社会问题。对暴雨立即作出反应对于减轻经济损失和迅速恢复都很重要。时空降水预报可以提高大坝入库流量预测的准确性，提前6小时以上减轻洪水损失。然而，由于目标预测值与地面实况值之间存在不可约的偏差，普通的ConvLSTM在实际降水预报中存在着可预报范围大于3个时间步的局限性。本文提出了一种雨码的时空降水代码到代码的预测方法。我们提出了一种新的雨的功能，表示一个时间雨的过程，使用多帧融合的时间步长减少。我们基于标准ConvLSTM对各种术语范围进行了雨码研究。我们应用了一个坝区内的日本雨季小时降水数据，2006年至2019年下约12.7万小时，每年5月至10月。我们将雷达分析每小时的数据应用于面积为136 x 148 km 2的中央更广泛的区域。最后，我们在几个预报范围内提供了雨码大小和每小时准确度之间的敏感性研究。
2021-03-01 cs.LG physics.ao-ph stat.ML
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
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
Deep Generative Spatiotemporal Engression for Probabilistic Forecasting of Epidemics
Safir, Sorbonne University Abu Dhabi, United Arab Emirates（萨菲尔，索邦大学阿布扎赫德分校，阿联酋）；SCAI, Sorbonne Université, Paris, France（SCAI，索邦大学巴黎分校，法国）
针对复杂时空依赖的流行病预测难题，提出深度时空回归法，通过轻量级生成架构内量化不确定性，经采样生成概率预测，在多数据集表现优，还探索了可解释性以助公共卫生干预。
2026-07-07 cs.LG stat.ME stat.ML
Traffic Flow Forecasting with Maintenance Downtime via Multi-Channel Attention-Based Spatio-Temporal Graph Convolutional Networks
George Mason University（乔治梅森大学）
交通流预测是智能交通系统管理的核心任务。图结构已经显示出作为建模框架的前景，最近通过图卷积神经网络在时空建模方面的进展，提高了性能或扩展了对交通流的预测范围。然而，最先进的方法的一个主要缺点是它们不能考虑到各种模式的信息，例如维护停机时间对交通流量的影响。这就是我们在本文中要解决的问题。具体来说，我们提出了一种新的模型来预测交通速度的影响下，施工工作。该模型基于强大的基于注意力的时空图卷积架构，但利用各种渠道来整合不同的信息源，明确地建立交通状态之间的时空依赖关系，捕获异构道路网络之间的关系，然后预测交通流量的变化导致的维护停机事件。两个基准数据集和一个新的数据集，我们已经收集了繁华的泰森的角落地区在北弗吉尼亚州的模型进行评估。大量的对比实验和消融研究表明，该模型可以捕捉复杂的和非线性的时空关系，跨运输走廊，优于基线模型。
2021-10-04 cs.AI cs.CV cs.LG
Spatio-temporal DeepKriging for Interpolation and Probabilistic Forecasting
King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；North Carolina State University（北卡罗来纳州立大学）
提出基于深度神经网络的时空深度克里金法，无需平稳性假设，高效实现大规模时空数据插值与概率预测，并在PM2.5数据上验证。
2023-06-20 cs.LG stat.CO stat.ML
Deep Forecast: Deep Learning-based Spatio-Temporal Forecasting
University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Mojio Inc.（Mojio公司）
本文提出了一种时空风速预测算法，使用深度学习（DL），特别是，递归神经网络（RNN）。受可再生能源整合和智能电网的最新进展的启发，我们将我们提出的算法用于风速预测。可再生能源（风能和太阳能）在本质上是随机的，因此，准确的短期预测有助于它们的整合。在我们提出的框架中，我们通过一个图来建模时空信息，该图的节点是数据生成实体，其边缘基本上是这些节点如何相互作用的模型。我们的工作的主要贡献之一是，我们在同一时间基于一个框架获得预测的所有节点的图。记录的时间序列数据在美国东北部的风力发电厂的集合的案例研究的结果表明，所提出的基于DL的预测算法显着提高了短期预测相比，一组广泛使用的基准模型。
2017-07-24 cs.LG
Beyond Point Forecasts: A Survey on Probabilistic Forecasting for Time Series and Spatiotemporal Data
Sorbonne University Abu Dhabi（阿布扎比索邦大学）；Sorbonne Université（索邦大学）
本综述统一了概率预测方法论，通过跨范式实证研究揭示不同不确定性量化范式的适用性，并指出未来挑战。
2026-09-15 cs.LG econ.EM stat.AP
GraphSVR: A Graph Convolutional Support Vector Regression Framework for Robust Spatiotemporal Air Pollution Forecasting
Department of Mathematics, School of Advanced Sciences, Vellore Institute of Technology（维杰雷理工学院数学系）；SAFIR, Sorbonne University（索邦大学SAFIR中心）；Statistics Centre Abu Dhabi（阿布扎希统计中心）
提出GraphSVR框架，结合图卷积学习空间依赖与支持向量回归建模非线性时序，降低异常值影响，在印度德里和孟买数据集上实现更准确、稳定的多步预测，并集成保形预测提供校准区间。
2026-08-25 cs.LG stat.AP stat.ML
