简体中文 | English
时空序列预测(时空预测 / 时空数据预测)论文、数据集与作者代码目录。 覆盖交通预测、交通流预测、城市需求预测、时空图神经网络及天气预测。
A curated paper list for spatio-temporal forecasting / spatiotemporal prediction: traffic forecasting, urban computing, graph neural networks, and weather forecasting.
参考 RSPapers 的主题分类和贡献方式,整理时空序列预测论文、数据集与代码入口。中文方法定位为本目录概括,论文保留英文原题。
本次检索截止:2026-11-04(Asia/Shanghai)。共 125 个独立条目、13 个主题,覆盖 2015—2026;其中 41 篇按核验口径归入 2026,81 篇关联已检查的作者/项目仓库。 仓库数按论文计,同一个工具库可能对应多篇论文。
目录更新:2026-11-16。定向补录不推进完整检索截止日期;实际范围见 更新记录。
这是代表性精选目录,重点为交通/城市图预测,同时覆盖网格序列、降水和天气。并非全领域穷尽综述,也不是性能排行榜。37 条采用已核验的预印本记录,其中一部分可能已有本次未确认的正式版本。
- 按年份浏览 · 近期论文(2025—2026) · 2025—2026 索引
- 数据集与工具 · 检索和核验说明 · 贡献规范
- CSV 表格 · JSON 原始目录 · BibTeX 引用草稿
- 版本记录 · 结构检查结果
- 每周更新记录 · 更新流程 · 贡献者
- 独立主题页面 · 教程式阅读指南
核心对象:有明确空间位置、区域、图结构或二维/三维空间场,同时预测未来时间段的任务。图学习中的“变量关系”可以是统计依赖,不自动等同于地理关系或因果传播。
相关背景单列:纯时间序列基线、插补方法和空间外推。CSDI 的主任务是插补;STGNP 根据周围观测推断目标位置;视频预测架构作为网格预测背景收录。没有将轨迹规划、推荐系统、静态图分类等并入核心目录。
年份优先采用已核验的正式版本年份;未确认正式版本则使用 arXiv 首发年。期刊在线年与卷期年不同时保留说明。正文使用一个主分类,同一论文不会因跨主题而重复计数。
“作者/项目仓库已核验”表示已检查论文关联的 README 或仓库页面,未执行训练、未验证复现数值,也不等于完整训练代码和数据均已开放。仅有论文代码链接、访问失败及归属证据有限的情况分别标记;“未核验到”不表示不存在。
这些顺序是本目录的编辑建议,不代表模型性能排序。
| 目标 | 建议顺序 | 重点问题 |
|---|---|---|
| 建立交通图预测基础 | DCRNN → STGCN → Graph WaveNet → AGCRN → D²STGNN | 固定图、学习图、节点异质性与动态依赖如何区分? |
| 理解 Transformer 与简洁基线 | STID → GMAN → PDFormer → STAEformer | 提升来自交互算子,还是身份/时间编码和训练设置? |
| 大规模交通预测 | LargeST → BigST → PatchSTG → GraphSparseNet → MiniST / HieraMix / FaST | 节点数、历史长度、预测跨度分别如何影响成本? |
| 自监督与迁移 | STEP → STGCL → ST-SSL → STD-MAE → UniST / UrbanPG | 预训练信息、领域重叠和适配成本如何控制? |
| 概率预测 | TimeGrad(背景)→ DiffSTG → SpecSTG → GenCast | 点误差、分布校准与联合空间一致性如何同时评估? |
| 网格/天气 | ConvLSTM → PredRNN → SimVP → Earthformer → GraphCast / Aurora | 局部结构、长程通信、物理约束与预训练各有什么作用? |
| 编号 | 主题 | 条目数 |
|---|---|---|
| 01 | 综述与入门 | 5 |
| 02 | 城市网格流量与需求预测 | 6 |
| 03 | 图卷积、动态图与连续时间建模 | 20 |
| 04 | 注意力、Transformer 与状态空间模型 | 8 |
| 05 | 简洁基线、高效与大规模预测 | 14 |
| 06 | 自监督与预训练 | 5 |
| 07 | 异质性、元学习与迁移 | 7 |
| 08 | 基础模型、语言模型与跨模态迁移 | 8 |
| 09 | 概率时空图预测 | 4 |
| 10 | 通用网格与时空帧预测 | 9 |
| 11 | 降水、天气与地球系统预测 | 22 |
| 12 | 数据集、基准与工具 | 9 |
| 13 | 相关任务与时间序列背景 | 8 |
用于建立任务、方法和资源地图。
-
STFM-survey — Yuxuan Liang et al. Foundation Models for Spatio-Temporal Data Science: A Tutorial and Survey. 2025 · arXiv;正式发表状态未核验.
梳理时空基础模型及其在感知、管理、挖掘中的作用,作为广义背景。
发表证据 · 代码:未核验到作者代码
-
Urban-STGNN-survey — Guangyin Jin et al. Spatio-Temporal Graph Neural Networks for Predictive Learning in Urban Computing: A Survey. 2024 · IEEE TKDE;arXiv 首发 2023.
面向城市计算,梳理时空图构建、模型设计与不同预测应用。
-
Traffic-survey — Weiwei Jiang et al. Graph Neural Network for Traffic Forecasting: A Survey. 2022 · Expert Systems with Applications;arXiv 首发 2021.
从图构建、模型、任务及开放资源梳理交通预测中的图神经网络。
发表证据 · 代码:未核验到作者代码
-
STTP-survey — Kyungeun Lee et al. Short-term Traffic Prediction with Deep Neural Networks: A Survey. 2020 · arXiv;正式发表状态未核验.
从输入表示、网络结构、应用与数据资源组织短期交通预测研究。
发表证据 · 代码:未核验到作者代码
版本/使用说明: 当前列出已核验的 arXiv 版本;不据此断言没有正式发表版本。
-
Vision-ST-Fusion-survey — Anna Wang et al. Towards Vision-Spatiotemporal Fusion in Traffic Forecasting: A Survey on Cross-Modal Alignment. 2026 · IJCAI 2026 (Survey Track).
从特征、语义和任务级对齐组织视觉与交通时空信号融合方法,讨论跨视角与几何映射挑战。
版本/使用说明:范围同时涉及交通状态、轨迹、事件与需求;作为跨模态预测综述收录,不将轨迹规划方法列为核心预测基线。资源仓库未核验。
区域流入/流出和乘客需求,空间可表现为网格或区域图。
-
DeepSTN — Ziqian Lin et al. DeepSTN+: Context-Aware Spatial-Temporal Neural Network for Crowd Flow Prediction in Metropolis. 2019 · AAAI.
结合长距离空间依赖、区域功能与时间上下文,预测城市人群流入/流出量。
-
STG2Seq — Lei Bai et al. STG2Seq: Spatial-temporal Graph to Sequence Model for Multi-step Passenger Demand Forecasting. 2019 · IJCAI.
用长短期编码器、图卷积和注意力进行多步乘客需求预测。
-
STDN — Huaxiu Yao et al. Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction. 2019 · AAAI;arXiv 首发 2018.
这篇论文提出 STDN,通过流门控机制学习动态空间相似性,并用周期偏移注意力处理非严格周期的时间动态。它直接回应了交通预测里“空间关系静态、时间规律严格周期化”的常见假设。
版本/使用说明:arXiv 首发于 2018 年,正式 AAAI 版本为 2019 年;已检查作者仓库 main.py 与运行说明,未训练复现。
-
ST-MGCN — Xu Geng et al. Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting. 2019 · AAAI.
这篇论文提出 ST-MGCN,用多张图建模区域间非欧式相关性,并结合上下文门控循环网络建模时间依赖。它适用于网约车/出行需求的区域级预测,而不仅是相邻栅格或传感器的局部建模。
版本/使用说明:出版者登记的 Crossref 元数据与摘要已核对;出版者页面本次访问受限,未核验到作者代码。
-
DMVST-Net — Huaxiu Yao et al. Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction. 2018 · AAAI.
这篇论文提出 DMVST-Net,用时间视图、局部空间视图和语义视图联合建模出租车需求的时空相关性。它针对区域级需求预测中仅用 CNN 或 LSTM 难以同时刻画空间与时间依赖的问题。
版本/使用说明:作者仓库明确仅提供模型部分,原始数据未公开;已读 model.py,不能视为完整复现包。
-
ST-ResNet — Junbo Zhang et al. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction. 2017 · AAAI;arXiv 首发 2016.
对城市网格流入/流出量,分别建模近期、周期、趋势并融合外部因素。
发表证据 · 代码:未核验到作者代码
以道路或传感器节点为对象,研究空间依赖和时间动态。
-
STRP — Shuhao Li et al. From Coarse to Fine: Managing Temporal Granularity in Spatio-Temporal Data for Fine-Grained Traffic Prediction. 2026 · arXiv;正式发表状态未核验.
研究不同时间粒度之间的交通预测:从粗采样历史预测细粒度未来,采用 Tree Convolution 做空间建模,并用 Inverse Dilated Convolution 做逐步时间外推,同时区分 window-based 与 duration-based 设定。
发表证据 · 代码:未核验到作者代码
版本/使用说明:输入与输出时间粒度不同于常规同分辨率预测;保留 arXiv 预印本记录,未核验到正式发表版本或作者代码。
-
IGSTGNN — Lixiang Fan et al. Incident-Guided Spatiotemporal Traffic Forecasting. 2026 · KDD.
结合事故上下文的空间融合(ICSF)与时间事故影响衰减(TIID)来建模交通历史与外部事故信息,并附带交通/事故对齐数据集。
版本/使用说明:KDD 2026 信息依据作者仓库引用,出版者页面本次未成功访问。使用事故上下文,比较时需对齐事故信息的可用时点和输入范围;已检查训练入口,未运行实验。
-
DGCRN — Fuxian Li et al. Dynamic Graph Convolutional Recurrent Network for Traffic Prediction: Benchmark and Solution. 2023 · ACM TKDD;arXiv 首发 2021.
由节点动态信息生成图结构,同时提供交通预测的统一评测与实现。
-
D2STGNN — Zezhi Shao et al. Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting. 2022 · PVLDB.
将交通信号拆为扩散与固有成分,结合动态图学习分别建模。
-
DSTAGNN — Shiyong Lan et al. DSTAGNN: Dynamic Spatial-Temporal Aware Graph Neural Network for Traffic Flow Forecasting. 2022 · ICML.
结合动态时空关系建模与图网络进行交通预测。
-
STGNCDE — Jeongwhan Choi et al. Graph Neural Controlled Differential Equations for Traffic Forecasting. 2022 · AAAI;arXiv 首发 2021.
联合空间和时间神经控制微分方程,提供连续时间建模视角。
-
GTS — Chao Shang et al. Discrete Graph Structure Learning for Forecasting Multiple Time Series. 2021 · ICLR.
学习可微采样的离散图分布,并与多序列预测模型共同优化。
-
STFGNN — Mengzhang Li et al. Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting. 2021 · AAAI;arXiv 首发 2020.
融合空间图与数据驱动的时间关系图,并结合门控卷积。
版本/使用说明:作者 README 对部分数据集结果作了更正说明;比较数字前应检查最新论文与仓库。
-
STGODE — Zheng Fang et al. Spatial-Temporal Graph ODE Networks for Traffic Flow Forecasting. 2021 · KDD.
以张量形式的常微分方程建模时空动态,同时考虑空间与语义关系。
-
AGCRN — Lei Bai et al. Adaptive Graph Convolutional Recurrent Network for Traffic Forecasting. 2020 · NeurIPS.
结合节点自适应参数学习和自适应图生成,刻画不同节点的预测模式。
-
MTGNN — Zonghan Wu et al. Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks. 2020 · KDD.
联合学习变量间有向图、mix-hop 传播与时间卷积;兼顾通用多变量序列与交通任务。
版本/使用说明:通用多变量模型,因明确包含交通任务与图学习而收录主目录。
-
STSGCN — Chao Song et al. Spatial-Temporal Synchronous Graph Convolutional Networks: A New Framework for Spatial-Temporal Network Data Forecasting. 2020 · AAAI.
把相邻时间片的节点连成局部时空图,联合建模局部时空关系与异质性。
-
ASTGCN — Shengnan Guo et al. Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting. 2019 · AAAI.
通过时空注意力、图卷积与近期/日/周分支进行交通流预测。
版本/使用说明:关联的作者 PyTorch 仓库说明仅实现近期分支;不能默认等于完整三分支 ASTGCN。
-
Graph-WaveNet — Zonghan Wu et al. Graph WaveNet for Deep Spatial-Temporal Graph Modeling. 2019 · IJCAI.
通过节点嵌入学习自适应邻接关系,并用膨胀时间卷积建模历史序列。
-
DCRNN — Yaguang Li et al. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. 2018 · ICLR;arXiv 首发 2017.
将有向图扩散卷积与循环编码器—解码器结合,是理解路网预测的重要起点。
-
STGCN — Bing Yu et al. Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting. 2018 · IJCAI;arXiv 首发 2017.
用图卷积与时间卷积构成全卷积时空预测网络。
-
ATPO — Hongxin Yu et al. Uncertainty-Aware Coordinated Multi-Ramp Metering Based on an Action-Conditioned Traffic Prediction Operator Under Sparse Observations. 2026 · arXiv;正式发表状态未核验.
从稀疏交通观测、缺失掩码与候选控制动作预测未来密度和速度分布,并用于不确定性感知的多匝道协调控制。
发表证据 · 代码:未核验到作者代码
版本/使用说明:动作条件预测与被动交通预测的输入不同;论文采用仿真走廊评估,不能解释为现场部署验证。未核验到作者代码。
-
SIMBAD — Daniel Y. Lee et al. SIMBAD: Spatio-Temporal Traffic Forecasting Robust to Aperiodicity. 2026 · NeurIPS 2026.
利用历史周期与近期观测的相似性调节时间信息和节点间作用,增强非周期交通模式下的预测。
版本/使用说明:2026-11-06 首发。NeurIPS 2026 官方海报页已确认录用;未确认正式论文集卷页。代码核验沿用 2026-11-12 的源文件及运行说明检查,本次未重跑或复现。
-
UniST-Pred — Yue Wang et al. UniST-Pred: A Robust Unified Framework for Spatio-Temporal Traffic Forecasting in Transportation Networks Under Disruptions. 2026 · IJCAI 2026 (AI and Social Good).
先解耦时间建模与空间表征,再自适应融合;在真实交通与 MATSim 网络中断场景中评估。
正式版本 · 发表证据 · 代码(论文提供匿名代码,访问未核验)
版本/使用说明:与目录中的 UniST 为不同工作。论文提供匿名代码及数据链接,本次未核验匿名站点内容。
-
CANDOR — Ziqi Wang et al. Decompose Dynamics Before Learning Dependencies in Spatiotemporal Systems. 2026 · arXiv;正式发表状态未核验.
先将局部动态拆分为背景、积累释放和稀疏冲击,再融合延迟感知的有向传播与不受拓扑约束的依赖学习,用于交通和水质预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:首发 2026-09-29,v2 修订 2026-11-07;属于修订触发的目录补录。分支命名不构成因果机制识别证据;未核验到作者代码。
关注时空注意力、嵌入、传播延迟以及与状态空间模型的结合。
-
FAST-SSM — Xinjin Li et al. FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction. 2026 · ICME.
结合时间注意力与 Mamba 空间模块;与 KDD 2026 的 FaST 是不同论文。
发表证据 · 代码:未核验到作者代码
-
SpecLST — Kenan Kang et al. SpecLST: Spectral-Enhanced Long-Short Term Spatio-Temporal Multimodal Modeling for Traffic Forecasting. 2026 · arXiv;正式发表状态未核验.
以频域长历史表示融合天气、事故等上下文,并采用稀疏 MoE;属于多模态设置。
发表证据 · 代码:未核验到作者代码
-
STG-Mamba — Lincan Li et al. STG-Mamba: Spatial-Temporal Graph Learning via Selective State Space Model. 2024 · arXiv;正式发表状态未核验.
本文提出 STG-Mamba,将选择性状态空间模型引入时空图学习,用 ST-S3M 建模跨时间的动态状态演化,并结合 KFGN 做多时间粒度的图表示融合。
版本/使用说明:保留 arXiv 2024 记录,正式发表状态未核验。论文链接的旧仓库地址重定向至 LincanLi-X;已检查 main.py,未训练复现。
-
PDFormer — Jiawei Jiang et al. PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction. 2023 · AAAI.
结合短程/长程图掩码与传播延迟感知变换,建模动态空间关系。
-
STAEformer — Hangchen Liu et al. STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting. 2023 · CIKM Short.
研究时空自适应嵌入如何增强普通 Transformer 的交通预测能力。
-
GMAN — Chuanpan Zheng et al. GMAN: A Graph Multi-Attention Network for Traffic Prediction. 2020 · AAAI;arXiv 首发 2019.
使用时空多重注意力及历史到未来的变换注意力,直接生成多步交通预测。
-
STTN — Mingxing Xu et al. Spatial-Temporal Transformer Networks for Traffic Flow Forecasting. 2020 · arXiv;正式发表状态未核验.
采用空间与时间 Transformer,建模动态有向空间关系及长程时间依赖。
发表证据 · 代码:未核验到作者代码
版本/使用说明: 当前列出已核验的 arXiv 版本;不据此断言没有正式发表版本。
-
ASTPKEFormer — Wenfeng Zhou et al. ASTPKEFormer: Adaptive Spatiotemporal Prior Knowledge Embedding-Induced Transformers for Traffic Data Forecasting. 2026 · IJCAI 2026.
结合多尺度时间通道对齐、时间与图结构先验嵌入及交叉融合,建模交通时空依赖。
将节点规模、历史长度、预测跨度及计算开销纳入设计。
-
FaST — Yiji Zhao et al. FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts. 2026 · KDD.
以自适应图代理注意力和异质性感知 MoE,面向大规模、长预测跨度的时空图。
版本/使用说明:关注长跨度与大图;不把论文摘要的性能表述当成跨设置的统一排名。
-
HieraMix — Yongyao Wang et al. HieraMix: A Hierarchical MLP-Mixer for Large-Scale Traffic Forecasting. 2026 · IJCAI.
通过分层时空混合及自适应区域混合,构建面向大规模路网的 MLP 架构。
-
LoReST — Qi Feng et al. Learning Local Heterogeneity and Cross-Region Context for Large-Scale Traffic Forecasting. 2026 · arXiv;正式发表状态未核验.
结合关系感知局部聚合与区域汇聚、交互和回传,建模局部异质性及跨区域上下文。
发表证据 · 代码:未核验到作者代码
-
MiniST — Sheng Huang et al. MiniST: Unlocking Input Window Length in Traffic Flow Forecasting with Compact Parameters. 2026 · IJCAI.
将长交通历史投影为紧凑正交基,并结合模板更新模块处理长历史输入。
正式版本 · 发表证据 · 代码(项目仓库可访问,归属链待补强)
版本/使用说明:仓库示例 seq_len=720;与短历史基线比较时需对齐输入窗口。
-
SAGT — Amirhossein Ghaffari et al. Spectral Adaptive Graph Transformer for Efficient and Scalable Traffic Forecasting. 2026 · arXiv;正式发表状态未核验.
结合学习式低秩有向空间算子、局部图扩散和频率重加权,研究预测开销。
-
SqLinear — Yongfeng Su et al. SqLinear: Balanced Square Partitioning Makes Linear Interaction Sufficient for Large-Scale Traffic Forecasting. 2026 · arXiv;正式发表状态未核验.
以均衡空间划分配合分层线性交互,研究大规模交通预测的效率。
发表证据 · 代码:未核验到作者代码
-
GraphSparseNet — Weiyang Kong et al. GraphSparseNet: a Novel Method for Large Scale Traffic Flow Prediction. 2025 · PVLDB.
通过特征提取与关系压缩模块,降低大规模路网关系建模成本。
发表证据 · 代码:未核验到作者代码
-
PatchSTG — Yuchen Fang et al. Efficient Large-Scale Traffic Forecasting with Transformers: A Spatial Data Management Perspective. 2025 · KDD;arXiv 首发 2024.
利用 KDTree 构造不规则空间分块,以块内与跨块注意力学习局部和全局关系。
-
STGformer — Hongjun Wang et al. STGformer: Efficient Spatiotemporal Graph Transformer for Traffic Forecasting. 2024 · arXiv;正式发表状态未核验.
提出面向交通预测的高效时空图 Transformer,将图卷积与 Transformer 结合,用单个 STG attention block 捕捉高阶时空交互,并在 LargeST 等设置上评估效率与效果。
版本/使用说明:论文直接链接作者仓库,已检查 model/train.py 与运行说明,未运行实验。保留 arXiv 2024;与同名的人体姿态、轨迹及稀疏感知论文区分,不将速度报告泛化为跨设置结论。
-
BigST — Jindong Han et al. BigST: Linear Complexity Spatio-Temporal Graph Neural Network for Traffic Forecasting on Large-Scale Road Networks. 2024 · PVLDB.
预计算长历史表示,并以线性化全局空间建模扩展到大规模路网。
-
STID — Zezhi Shao et al. Spatial-Temporal Identity: A Simple yet Effective Baseline for Multivariate Time Series Forecasting. 2022 · CIKM Short.
把节点与时间身份嵌入接入简洁 MLP,是检验复杂空间模块收益的基础对照。
-
STNorm — Jinliang Deng et al. ST-Norm: Spatial and Temporal Normalization for Multi-variate Time Series Forecasting. 2021 · KDD.
用空间与时间归一化处理多变量序列中的不同成分,形成简洁预测模块。
-
RAGC — Kaiqi Wu et al. Efficient Traffic Forecasting on Large-Scale Road Network by Regularized Adaptive Graph Convolution. 2026 · ICDE;arXiv 首发 2025.
面向大规模交通预测,以高效余弦算子降低图卷积复杂度,并通过随机共享嵌入与残差差分机制正则化自适应图学习。
版本/使用说明:arXiv v1(2025-06-08)题为 Regularized Adaptive Graph Learning for Large-Scale Traffic Forecasting,简称 RAGL;v3(2026-04-30)采用现标题,按同一工作收录,不重复计数。作者顺序采用正式出版元数据及 v3。已检查作者源码与运行说明,未运行训练或验证性能。
-
TAS-GNN — JiaJun Yu et al. Active Arbitration: Decoupling Spatio-Temporal Duality for Efficient Traffic Forecasting. 2026 · IJCAI 2026.
以时间上下文调节空间交互,并结合离散小波分解,区分物理传播滞后与语义同步。
版本/使用说明:论文链接 https://github.com/highhhhh/TAS-GNN ,但所查提交仅有补充材料 PDF,不作为已开放模型代码。
对比学习、掩码建模及其下游预测使用方式。
-
HGAurban — Qianru Zhang et al. HGAurban: Heterogeneous Graph Autoencoding for Urban Spatial-Temporal Learning. 2025 · CIKM;arXiv 首发 2024.
以异质图掩码自编码学习区域表示,服务城市时空任务;包含预测以外的任务。
发表证据 · 代码:未核验到作者代码
版本/使用说明:arXiv 当前题名为 HGAurban;早期检索记录出现 Graph Masked Autoencoder,按同一标识符合并。
-
STDMAE — Haotian Gao et al. Spatial-Temporal-Decoupled Masked Pre-training for Spatiotemporal Forecasting. 2024 · IJCAI;arXiv 首发 2023.
分别沿空间与时间维度进行掩码重建,把预训练表示用于下游预测。
-
STSSL — Jiahao Ji et al. Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction. 2023 · AAAI;arXiv 首发 2022.
利用自适应图增强与空间/时间自监督任务,学习异质交通模式。
-
STEP — Zezhi Shao et al. Pre-training Enhanced Spatial-temporal Graph Neural Network for Multivariate Time Series Forecasting. 2022 · KDD.
通过长历史序列预训练,为下游图预测模型提供时间上下文与结构信息。
-
STGCL — Xu Liu et al. When Do Contrastive Learning Signals Help Spatio-Temporal Graph Forecasting?. 2022 · ACM SIGSPATIAL;arXiv 首发 2021.
系统比较时空图对比学习的接入方式、增强策略与负样本选择。
区分节点特定参数、跨域适配和持续学习,三者并非同一任务。
-
PIMCST — Abdul Joseph Fofanah et al. PIMCST: Physics-Informed Multi-Phase Consensus and Spatio-Temporal Few-Shot Learning for Traffic Flow Forecasting. 2026 · arXiv;正式发表状态未核验.
以扩散、同步和谱表示构建多阶段共识,并用元学习适配少样本跨城市预测。
版本/使用说明:标题使用 PIMCST,而摘要/仓库使用 MCPST;保留该命名差异。
-
UrbanPG — Aoyu Liu et al. UrbanPG: An Efficient Framework with Personalized Context and General Backbone Interaction for Urban Spatio-Temporal Learning. 2026 · AAAI.
分离个性化上下文与通用骨干,研究大规模预测、少样本迁移和持续学习。
版本/使用说明:GitHub About 仍出现 AAAI 2025 字样,README 与正式会议页为 AAAI 2026;以会议页为准。
-
HimNet — Zheng Dong et al. Heterogeneity-Informed Meta-Parameter Learning for Spatiotemporal Time Series Forecasting. 2024 · KDD.
通过时空嵌入与元参数池学习具有时空差异的模型参数。
-
MegaCRN — Renhe Jiang et al. Spatio-Temporal Meta-Graph Learning for Traffic Forecasting. 2023 · AAAI;arXiv 首发 2022.
借助元节点记忆与元图学习,刻画交通节点和时间模式的异质性。
版本/使用说明:采用 AAAI 2023 对应的 arXiv:2211.14701;不使用已撤回的扩展稿 arXiv:2212.05989。
-
ST-MetaNet — Zheyi Pan et al. Urban Traffic Prediction from Spatio-Temporal Data Using Deep Meta Learning. 2019 · KDD.
利用地理属性生成元图注意力和元循环网络的参数,刻画城市交通节点与连接的异质性。
版本/使用说明:元学习根据地理属性生成节点/边相关参数;不据此推断少样本跨城市适配。已检查 MXNet 作者实现的训练入口,未运行。
-
OmniST — Praveg Vashishtha OmniST: Topology-Invariant Spatiotemporal Forecasting with Guaranteed-Coverage Uncertainty at Unseen Sensor Locations. 2026 · arXiv;正式发表状态未核验.
以坐标编码、动态近邻注意力和逐节点循环网络处理变化的传感器集合,并结合共形校准预测未见位置及其不确定性。
版本/使用说明:覆盖保证依赖校准与测试分数的交换性;局部拓扑不变性有近邻集合不变等条件。已检查模型源码和运行入口,未训练复现。
-
EvoST — Du Yin et al. EvoST: Adapting Traffic Forecasters to Evolving Sensor Graphs. 2026 · arXiv;正式发表状态未核验.
保持共享预测权重冻结,用延迟到达的标签刷新节点身份、初始化新传感器并在线校准,以适应持续演化的交通传感器网络。
版本/使用说明:首发 2026-07-28,v5 修订 2026-11-07;补录一个版本链。该设置使用后续监督反馈,不是无标签零样本迁移。已检查实现与命令;原始实验检查点未随仓库发布,未复现。
关注统一预训练与少样本/零样本适配。
-
FactoST-v2 — Siru Zhong et al. Learning to Factorize and Adapt: A Versatile Approach Toward Universal Spatio-Temporal Foundation Models. 2026 · arXiv;正式发表状态未核验.
分离通用时间预训练与领域空间适配,扩展至可变长度和概率分位数预测。
版本/使用说明:2026 扩展稿,不等同于其 NeurIPS 2025 会议版本;论文给出的仓库本次返回 404。
-
ST-VFM — Changlu Chen et al. Reprogramming Vision Foundation Models for Spatio-Temporal Forecasting. 2025 · arXiv;正式发表状态未核验.
通过时序适配与双分支提示协调,将冻结视觉基础模型用于时空预测。
发表证据 · 代码:未核验到作者代码
-
STLLM — Chenxi Liu et al. Spatial-Temporal Large Language Model for Traffic Prediction. 2024 · IEEE MDM.
把时空嵌入接入大语言模型,并通过部分冻结注意力适配交通预测。
-
UniST — Yuan Yuan et al. UniST: A Prompt-Empowered Universal Model for Urban Spatio-Temporal Prediction. 2024 · KDD.
通过多场景预训练与知识引导提示,探索统一城市时空预测模型。
-
UrbanGPT — Zhonghang Li et al. UrbanGPT: Spatio-Temporal Large Language Models. 2024 · KDD.
结合时空依赖编码器和指令微调,探索城市任务的零样本泛化。
-
E2Forecast — Jingtao Li et al. Forecasting Earth Surface Change in Embedding Space. 2026 · arXiv;正式发表状态未核验.
从不规则卫星观测序列预测未来地表嵌入,结合高斯分支与整流流分支,并接受未来查询日期。
版本/使用说明:预测目标是地表嵌入,不是原始像素。作者仓库含模型、训练和评估说明;部分 GSA 嵌入与带日期 SSL4EO 数据仍待发布,未训练复现。
-
TopoST — Kaiyun Wei et al. TopoST: Topology-Conditioned Node Specialization for Urban Spatio-Temporal Foundation Models. 2026 · arXiv;正式发表状态未核验.
通过共享的拓扑到参数映射生成节点特定的时空参数,研究跨城市和跨任务的零样本预测。
版本/使用说明:已检查拓扑编码、参数生成源码与训练说明;零样本与数据隔离结论仍需按源/目标划分独立复核,未训练复现。
-
Multi-STG — Zhu Xiao et al. Beyond Sunny Skies: Using Large Language Models to Predict Urban Traffic in Adverse Weather. 2026 · arXiv;正式发表状态未核验.
将天气、POI 和节假日描述转换为语言模型语义先验,通过多模态注意力与门控残差校准辅助恶劣天气下的城市交通预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:未核验到作者代码。外部上下文和私家车数据设置需与基线对齐;语义表征不等于已识别天气对交通的因果机制。
预测未来分布或样本,而不只输出一个点估计。
-
SpecSTG — Lequan Lin et al. SpecSTG: A Fast Spectral Diffusion Framework for Probabilistic Spatio-Temporal Traffic Forecasting. 2024 · arXiv;正式发表状态未核验.
在频谱域生成未来序列,并结合空间依赖与频谱图卷积。
版本/使用说明: 当前列出已核验的 arXiv 版本;不据此断言没有正式发表版本。
-
DiffSTG — Haomin Wen et al. DiffSTG: Probabilistic Spatio-Temporal Graph Forecasting with Denoising Diffusion Models. 2023 · ACM SIGSPATIAL.
将去噪扩散模型推广到时空图,进行非自回归概率预测。
版本/使用说明:作者主页列出论文并链接作者 GitHub 账户;该账户仓库 README 对应论文,包含 train.py 和训练说明。仅检查公开源码,未运行训练。
-
STGP-SPDE — Alexander V. Nikitin et al. Non-separable Spatio-temporal Graph Kernels via SPDEs. 2022 · AISTATS;arXiv 首发 2021.
本文利用 SPDE 与图上的高斯过程联系,推导出非可分的时空图核,用于描述扩散、振荡等跨时空耦合现象。
版本/使用说明:正式版本为 AISTATS 2022,arXiv 首发 2021。仓库同时包含插值和外推设置,比较时需区分;已检查时空核实现,未运行实验。
-
CoReFlow — Pengnan Chi et al. CoReFlow: Consistency-Relaxed Flow Maps for Probabilistic Traffic Forecasting. 2026 · arXiv;正式发表状态未核验.
通过一致性松弛的流映射学习概率交通预测,以端点训练和条件均值约束支持单步生成。
发表证据 · 代码:未核验到作者代码
版本/使用说明:论文称代码位于补充材料;本次未取得并核验该材料中的实现,未确认公开作者仓库。勿与同名的低秩矩阵生成工作混淆。
作为天气/城市网格预测的架构基础;包含视频预测背景。
-
TAU — Cheng Tan et al. Temporal Attention Unit: Towards Efficient Spatiotemporal Predictive Learning. 2023 · CVPR;arXiv 首发 2022.
将时间注意力拆分为帧内和帧间部分,改善并行时空帧预测。
-
SimVP — Zhangyang Gao et al. SimVP: Simpler yet Better Video Prediction. 2022 · CVPR.
以卷积编码器、时间处理模块和解码器构成简洁视频/网格预测基线。
-
PhyDNet — Vincent Le Guen et al. Disentangling Physical Dynamics from Unknown Factors for Unsupervised Video Prediction. 2020 · CVPR.
将可解释的物理动态与未知残差因素分离,用于未来帧预测。
-
MIM — Yunbo Wang et al. Memory In Memory: A Predictive Neural Network for Learning Higher-Order Non-Stationarity from Spatiotemporal Dynamics. 2019 · CVPR;arXiv 首发 2018.
通过记忆模块处理时空序列中的高阶非平稳变化。
-
PredRNNpp — Yunbo Wang et al. PredRNN++: Towards A Resolution of the Deep-in-Time Dilemma in Spatiotemporal Predictive Learning. 2018 · ICML.
以因果 LSTM 与梯度通路缓解深层递归预测中的优化困难。
-
PredRNN — Yunbo Wang et al. PredRNN: Recurrent Neural Networks for Predictive Learning using Spatiotemporal LSTMs. 2017 · NeurIPS.
使用时空 LSTM 及双重记忆状态建模未来帧,属于通用时空预测背景。
-
TrajGRU — Xingjian Shi et al. Deep Learning for Precipitation Nowcasting: A Benchmark and A New Model. 2017 · NeurIPS.
在降水临近预报中学习位置相关的递归连接,并提供相应基准。
发表证据 · 代码:未核验到作者代码
-
ConvLSTM — Xingjian Shi et al. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting. 2015 · NeurIPS.
将卷积放入 LSTM 状态转换,为网格序列与降水临近预报提供基础架构。
-
DSSD — Woojun Lee et al. Dynamical State-Space Diffusion for Spatiotemporal Prediction. 2026 · arXiv;正式发表状态未核验.
用稳定状态空间模型构建时间相关的扩散噪声,并通过平稳协方差的 Cholesky 因子组织未来帧预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:科学空间场与视频预测的通用方法背景;所学时间算子描述噪声相关性,不据此认定物理因果动力学。未核验到作者代码。
覆盖临近预报、中期天气及地球系统基础模型。
-
Aurora — Cristian Bodnar et al. A foundation model for the Earth system. 2025 · Nature;arXiv 首发 2024.
在多源地球系统数据上预训练,并适配天气、空气质量、海浪等任务。
-
FengWu — Kang Chen et al. FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead. 2025 · Communications Earth & Environment;arXiv 首发 2023.
以多模态、多任务结构、跨模态融合和回放缓冲提升中期天气建模。
-
GenCast — Ilan Price et al. Probabilistic weather forecasting with machine learning. 2025 · Nature;arXiv 首发 2023.
使用扩散生成集合预报,刻画未来全球天气状态的联合不确定性。
版本/使用说明:采用 Nature 2025 卷期年;2024-12-04 在线发表,预印本首发于 2023。
-
ClimaX — Tung Nguyen et al. ClimaX: A foundation model for weather and climate. 2023 · ICML.
使用异构气候数据预训练,再适配不同天气变量与预测任务。
-
GraphCast — Remi Lam et al. Learning skillful medium-range global weather forecasting. 2023 · Science;arXiv 首发 2022.
以图神经网络学习全球天气场演化,输出中期多变量天气预测。
-
NowcastNet — Yuchen Zhang et al. Skilful nowcasting of extreme precipitation with NowcastNet. 2023 · Nature.
将物理演化约束与生成建模结合,用于极端降水临近预报。
-
Pangu-Weather — Kaifeng Bi et al. Accurate medium-range global weather forecasting with 3D neural networks. 2023 · Nature;arXiv 首发 2022.
以三维地球专用 Transformer 与分层时间聚合处理全球天气预测。
-
Earthformer — Zhihan Gao et al. Earthformer: Exploring Space-Time Transformers for Earth System Forecasting. 2022 · NeurIPS.
通过局部 Cuboid Attention 与全局向量交换信息,用于降水及地球系统预测。
-
FourCastNet — Jaideep Pathak et al. FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators. 2022 · arXiv;正式发表状态未核验.
利用自适应傅里叶神经算子进行高分辨率全球天气预测。
-
DGMR — Suman Ravuri et al. Skilful precipitation nowcasting using deep generative models of radar. 2021 · Nature.
使用深度生成模型输出具有时空一致性的概率降水临近预报。
-
FitzRoy — Ozan Sener et al. Skillful and realistic precipitation forecasting with reinforced diffusion. 2026 · arXiv;正式发表状态未核验.
以强化学习细化条件离散扩散模型,预测未来降水空间场。
发表证据 · 代码:未核验到作者代码
版本/使用说明:完整模型使用 ERA5、MRMS 与 NBM 预报引导;须与不使用 NBM 的独立变体区分。未核验到作者代码,论文中的其他模型仓库链接不代表本方法代码。
-
Sonny-ENS — Minjong Cheon Sonny-ENS: demystifying machine-learning ensemble weather forecasting. 2026 · arXiv;正式发表状态未核验.
以 CRPS 训练多个天气网络,并通过 Monte Carlo dropout 构造集合预报。
发表证据 · 代码:未核验到作者代码
版本/使用说明:论文称代码和权重将在发表时开放;本次未确认公开发布,不能将未来开放承诺视为已有可用实现。
-
LCG-SFNO — Yaojun Li et al. Low-Rank Clebsch--Gordan Coupling for Equivariant Spherical Forecasting. 2026 · arXiv;正式发表状态未核验.
通过低秩 Clebsch–Gordan 耦合构造球面谱非线性交互,研究等变球面动力学与天气预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:未核验到作者代码;论文报告的等变性和计算效率未经本目录独立数值复现。
-
AI-Ensemble-Blend — Harris Sop Nkuiate et al. Value of Adding AI Weather Model Ensembles to a Multi-model Probabilistic Blend. 2026 · arXiv;正式发表状态未核验.
研究将 AI 天气集合加入多模型概率融合,并分析校准、成员多样性与概率预报质量。
发表证据 · 代码:未核验到作者代码
版本/使用说明:AI-Ensemble-Blend 是本目录索引简称。该工作组合已有预报,比较时需对齐组成模型与输入;未核验到作者代码。
-
TaiJi — Jiale Wang et al. TaiJi: State-Conditional Adaptive Combination of Machine-Learning and Physics-Based Global Weather Forecasts. 2026 · arXiv;正式发表状态未核验.
由近期大气状态生成随网格位置和预测步长变化的组合权重与残差,融合机器学习及物理天气预报。
发表证据 · 代码:未核验到作者代码
版本/使用说明:arXiv 首发 2026-09-25,v3 修订 2026-11-02;因窗口内修订首次补入本目录,不是本周首发。已核验主源元数据与摘要,HTML 不可用,未核验到作者代码。
-
SwAIther-Precip — Dan Assouline et al. SwAIther-Precip: Lead-Time-Aware Bias Correction Enables Kilometer-Scale Downscaling of Global AI Precipitation Forecasts over Switzerland. 2026 · arXiv;正式发表状态未核验.
先以预测步长条件化的 U-Net 校正粗网格降水偏差,再通过扩散超分辨率生成瑞士地区概率降水场。
版本/使用说明:首发 2026-05-15,v3 修订 2026-10-29;本次为修订触发的目录补录。已检查作者源码与训练说明;论文专用 AIFS 历史预测数据未公开,其他数据获取条件需单独核对,未训练复现。
-
Six-hourly-PQPF — Thomas M Hamill Six-hourly Probabilistic Precipitation Forecasts Created From Hourly Probabilities. 2026 · arXiv;正式发表状态未核验.
将逐小时概率预报通过轻量 GRU 和 MLP 聚合为六小时累积降水分布,处理连续时段间的相关性。
发表证据 · 代码:未核验到作者代码
版本/使用说明:2026-11-02 首发;补录此前待核验候选。属于概率预报后处理,不是仅输入历史雷达观测的外推基线。
-
PROLA — Minseo Yoon et al. PROLA: Principal-Orthogonal Low-rank Adaptation for Predictive Spatiotemporal Weather Downscaling. 2026 · NeurIPS 2026.
将低秩更新预算分配到预训练权重的主方向及正交补空间,并用于同时预测未来和细化时空分辨率的天气降尺度。
版本/使用说明:NeurIPS 2026 官方海报页已确认录用;未确认正式论文集卷页。已检查适配器、训练入口和运行说明,未训练复现。
-
Rescene-ESM — Minjong Cheon et al. Rescene-ESM: an Earth system model built around a frozen AI weather model. 2026 · arXiv;正式发表状态未核验.
将冻结的 AI 大气网络与海洋、海冰、陆面、河流及碳能量过程耦合,研究长期地球系统模拟和情景预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:论文正文称代码、拟合系数和运行记录将在发表时开放;尚未核验公开实现。长期气候情景与短期天气误差不是相同评价任务。
-
AI-NWP-FP16 — Stefan Siegert Half-precision inference of AI weather prediction models: negligible loss of skill at a fraction of the cost. 2026 · arXiv;正式发表状态未核验.
比较多个 AI 天气模型的半精度推理,将神经网络计算与保持 FP32 的物理状态、归一化和反归一化区分。
版本/使用说明:目录 ID 为编辑简称。已检查精度转换源码、预测入口和复现实验说明;精度与节能结论受模型、硬件及评估日期限制,未独立运行验证。
-
DaYu-TC — Runzepu Hou et al. DaYu-TC: a global-regional nested AI system for tropical cyclone forecasting. 2026 · arXiv;正式发表状态未核验.
通过全球与区域嵌套模型及极端感知目标,将大尺度预报与局地演变结合以预测热带气旋。
发表证据 · 代码(作者推理入口已核验(模型为二进制,训练代码未公开))
版本/使用说明:已核验论文关联和公开推理入口,但模型实现为编译二进制,训练代码未公开;作者注明全分辨率加速器验证仍待完成。本目录未下载权重或运行模型。
-
Satellite-SWR-Nowcasting — Tianyu Xie et al. Direct Multispectral Satellite Nowcasting of Gridded Surface Solar Radiation. 2026 · arXiv;正式发表状态未核验.
从向日葵九号多光谱历史影像和太阳几何信息,直接生成未来四小时的网格地表短波辐射预测。
发表证据 · 代码:未核验到作者代码
版本/使用说明:目录 ID 为编辑简称;首发 2026-11-08,v2 修订 2026-11-11,只计一个条目。未核验到作者代码;外部观测输入需与历史辐射基线区分。
优先了解任务定义、数据处理、指标和复现入口。
-
TraffiDent — Xiaochuan Gou et al. TraffiDent: A Dataset for Understanding the Interplay Between Traffic Dynamics and Incidents. 2025 · NeurIPS Datasets and Benchmarks.
对齐交通状态、事故及道路属性,支持事故后的交通预测和相关分析。
-
BasicTS — Zezhi Shao et al. Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis. 2024 · IEEE TKDE;arXiv 首发 2023.
通过统一评测流程与时空异质性分析,研究多变量预测结果为何难以直接比较。
-
WeatherBench2 — Stephan Rasp et al. WeatherBench 2: A Benchmark for the Next Generation of Data‐Driven Global Weather Models. 2024 · Journal of Advances in Modeling Earth Systems;arXiv 首发 2023.
更新中期天气评测框架,提供基准数据、物理/数据驱动对照与评测规范。
-
LargeST — Xu Liu et al. LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting. 2023 · NeurIPS Datasets and Benchmarks.
提供大规模、多年交通传感器数据及元数据,便于研究预测准确率与计算开销。
-
LibCity — Jiawei Jiang et al. LibCity: A Unified Library Towards Efficient and Comprehensive Urban Spatial-Temporal Prediction. 2023 · arXiv;正式发表状态未核验.
将城市预测模型、数据格式和评测流程组织到统一工具库;本条收录扩展稿。
版本/使用说明:此条对应 2023 扩展预印本;不将早期工具论文的发表信息套用到扩展稿。
-
OpenSTL — Cheng Tan et al. OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning. 2023 · NeurIPS Datasets and Benchmarks.
统一多类时空帧预测模型与评测任务,覆盖视频、交通网格和天气。
-
SEVIR — Mark Veillette et al. SEVIR : A Storm Event Imagery Dataset for Deep Learning Applications in Radar and Satellite Meteorology. 2020 · NeurIPS.
提供时空对齐的雷达与卫星风暴事件影像,支撑降水预测及跨传感器任务。
-
WeatherBench — Stephan Rasp et al. WeatherBench: A Benchmark Data Set for Data‐Driven Weather Forecasting. 2020 · Journal of Advances in Modeling Earth Systems.
建立数据驱动天气预测的数据、基线与统一指标入口。
-
EvoXXLTraffic — Du Yin et al. From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks. 2026 · arXiv;正式发表状态未核验.
提供逐年变化的传感器目录、持续站点标识和交通矩阵,区分全传感器预测与新节点的监督适配。
版本/使用说明:首发 2026-05-28,v3 修订 2026-11-12;为 XXLTraffic 家族扩展基准,非新预测模型。采用回溯地理图和特定实现适配;新节点接受当年训练,不属于零样本。已检查源码与运行说明,未下载数据或复现。
时间序列基线、插补和空间外推等相关任务;明确区分任务与物理空间假设。
-
iTransformer — Yong Liu et al. iTransformer: Inverted Transformers Are Effective for Time Series Forecasting. 2024 · ICLR;arXiv 首发 2023.
将变量而非时间点作为 token,作为跨变量建模的通用对照。
-
DLinear — Ailing Zeng et al. Are Transformers Effective for Time Series Forecasting?. 2023 · AAAI;arXiv 首发 2022.
以分解加线性层审视长序列预测,是复杂模型需要比较的简洁时间基线。
-
PatchTST — Yuqi Nie et al. A Time Series is Worth 64 Words: Long-term Forecasting with Transformers. 2023 · ICLR;arXiv 首发 2022.
将时间序列切成 patch 并使用通道独立 Transformer,作为通用时间基线。
-
TimesNet — Haixu Wu et al. TimesNet: Temporal 2D-Variation Modeling for General Time Series Analysis. 2023 · ICLR;arXiv 首发 2022.
将序列的周期变化映射为二维结构,联合建模周期内与周期间变化。
-
STGNP — Junfeng Hu et al. Graph Neural Processes for Spatio-Temporal Extrapolation. 2023 · KDD.
这项工作把 Neural Processes 扩展到图上的时空外推任务,显式建模不确定性,并通过 Graph Bayesian Aggregation 融合上下文节点信息。
版本/使用说明:相关任务:依据周围观测推断目标位置,不能等同于未来时间预测。已检查作者仓库层级模型实现和运行说明,未运行实验。
-
GraphDF — Hongjie Chen et al. Graph Deep Factors for Probabilistic Time-series Forecasting. 2023 · ACM TKDD;arXiv 首发 2020.
结合图关系驱动的全局与局部概率模型,描述相关时间序列;正式期刊版本还研究在线增量学习。
版本/使用说明:相关背景:图相关的概率时间序列预测,不预设地理空间。2023 年 TKDD 正式版本扩展了 2020 年预印本并加入在线增量学习;以一个条目记录版本关系,未核验作者代码。
-
CSDI — Yusuke Tashiro et al. CSDI: Conditional Score-based Diffusion Models for Probabilistic Time Series Imputation. 2021 · NeurIPS.
主要研究条件扩散时间序列插补,可作缺失数据背景;不作为直接时空预测模型。
版本/使用说明:主任务为插补;不计入直接时空预测方法。
-
TimeGrad — Kashif Rasul et al. Autoregressive Denoising Diffusion Models for Multivariate Probabilistic Time Series Forecasting. 2021 · ICML.
用自回归去噪扩散进行多变量概率预测;用于概率建模对照。
发表证据 · 代码:未核验到作者代码
数据版本、时间划分、采样间隔、输入窗口、预测步数、缺失/零值掩码、归一化、外部模态、预训练数据、验证选择和计算预算会直接影响比较。使用验证集选择配置后,再对选定模型做测试集评估;不以测试集结果选择配置。
LargeST 的 SD/GBA/GLA/CA、经典 PeMS 子集、METR-LA/PEMS-BAY、气象 ERA5/SEVIR 的任务与指标不可直接混排。也不要用论文发表年份或代码存在与否推断模型更强。
以 papers.json 为单一数据源,同时维护 summary_zh / summary_en 和 notes / notes_en。修改后在本目录运行 python scripts/build_catalog.py,同步生成中英文 README、独立主题页面、年度索引、CSV 与 BibTeX,随后运行 python scripts/verify_catalog.py 和 git diff --check 完成独立验证与差异检查。贡献方式见 CONTRIBUTING.md。
每周检索新论文、核验论文与官方代码链接,去重后更新目录,并在 更新记录 中保存每次新增、修订和待核验项。检索截止日期由 catalog_meta.json 记录,只有完成检索后才推进。
本目录只整理文献信息、链接及原创简短说明;论文、数据、代码和模型分别遵循原作者及发布方许可。组织形式参考 RSPapers,内容按时空预测任务重新检索和组织。