Skip to content

Latest commit

 

History

History
1285 lines (650 loc) · 77.5 KB

README.md

File metadata and controls

1285 lines (650 loc) · 77.5 KB

STPapers · 时空序列预测论文目录

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。

快速入口

收录范围与标记

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。

建议阅读路线

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?

主题导航

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

01 · 综述与入门

用于建立任务、方法和资源地图。

  • 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。

02 · 城市网格流量与需求预测

区域流入/流出和乘客需求,空间可表现为网格或区域图。

  • 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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

    正式版本 · 发表证据 · 代码:未核验到作者代码

    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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

03 · 图卷积、动态图与连续时间建模

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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

  • 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。

04 · 注意力、Transformer 与状态空间模型

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。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

05 · 简洁基线、高效与大规模预测

将节点规模、历史长度、预测跨度及计算开销纳入设计。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

  • 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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

06 · 自监督与预训练

对比学习、掩码建模及其下游预测使用方式。

07 · 异质性、元学习与迁移

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。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

08 · 基础模型、语言模型与跨模态迁移

关注统一预训练与少样本/零样本适配。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

  • 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。

09 · 概率时空图预测

预测未来分布或样本,而不只输出一个点估计。

  • 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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

10 · 通用网格与时空帧预测

作为天气/城市网格预测的架构基础;包含视频预测背景。

  • 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。

11 · 降水、天气与地球系统预测

覆盖临近预报、中期天气及地球系统基础模型。

  • 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。

  • 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。

  • 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。

  • 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。

12 · 数据集、基准与工具

优先了解任务定义、数据处理、指标和复现入口。

  • 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。

    发表证据 · 代码(作者/项目仓库已核验)

    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。

13 · 相关任务与时间序列背景

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。

  • 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。

    正式版本 · 发表证据 · 代码(作者/项目仓库已核验)

    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。

    正式版本 · 发表证据 · 代码:未核验到作者代码

    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。

比较论文时先对齐的条件

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。

维护

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。

贡献者

  • 13348952:项目发起与维护。
  • Codex(OpenAI):AI 辅助文献检索、来源与代码链接核验、分类摘要、目录生成和持续维护。详见 贡献说明。

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。