近期，北大团队提出了一个时空预测新架构U-RNN，已发表在Journal of Hydrology（一区TOP）。实验证明，其精度超过现有AI模型10+倍（MAE），速度超过机理模型100+倍！

可见到了2025年，时空预测相关的研究有了相当大的突破，如今不仅技术瓶颈松动，应用场景也在疯狂扩张，顶会顶刊成果数目也直线上升。但很显然，对于论文er来说，纯算法创新在这方向已经很难过稿了，未来在能源、交通等垂直领域深挖场景+新技术（比如LLM）适配方面更易突围。

为方便论文er了解前沿，本文整理了26篇时空预测最新论文，包含KDD 2025相关，也建议大家别怕“小问题”，谨慎追热点，相信拿下高区不再困难！

扫码添加小享，回复“时空创新”

免费获取全部论文+开源代码

图片

U-RNN high-resolution spatiotemporal nowcasting of urban flooding

方法：论文提出了一种名为U-RNN的深度学习方法，用于高精度的城市内涝时空预测。它通过U型架构和滑动窗口预热训练范式，有效捕捉城市内涝的多尺度非线性时空特征，并显著提高了长序列预测的效率和精度。

创新点：

  • 提出了一种新型的U-RNN模型，能够捕捉城市内涝的多尺度非线性时空特征。
  • 设计了基于滑动窗口的预热训练范式，显著降低了计算资源需求。
  • 实现了高精度、高分辨率（2米空间、1分钟时间）的6小时提前预测，性能优于现有方法。

TKSTAGNet: A Top-K Spatio-Temporal Attention Gating Network for Air Pollution Prediction

方法：论文提出了一种名为TKSTAGNet的新型模型，用于空气污染的时空预测。它通过TopK机制筛选相关邻居节点，结合空间和时间注意力机制，精确提取时空依赖关系，并通过门控融合模块适应性地融合外部因素，从而提高预测精度。

创新点：

  • 提出TopK-SA和TopK-TA机制，通过TopKpooling筛选与目标传感器强相关的空间和时间邻居，精确提取时空依赖关系。
  • 设计门控融合模块，适应性地融合不同外部因素对空气污染的影响，增强模型的适应性。
  • 在北京和上海的真实数据集上验证，TKSTAGNet在预测精度和拟合空气污染变化趋势方面显著优于现有方法。

扫码添加小享，回复“时空创新”

免费获取全部论文+开源代码

图片

Geolocation representation from large language models are generic enhancers for spatio-temporal learning

方法：论文提出LLMGeovec方法，基于大型语言模型（LLM），用于时空预测任务。它从OpenStreetMap提取文本描述，用LLM生成地理嵌入，捕捉全球地理语义信息。通过简单特征拼接，增强多种时空任务，提升模型性能。

创新点：

  • 提出LLMGeovec方法，利用大型语言模型和OpenStreetMap数据生成地理位置表示，实现全球覆盖。
  • 通过直接特征拼接，有效增强地理预测、长期时间序列预测和基于图的时空预测等多种时空学习任务。
  • 实验表明，LLMGeovec显著提升了多种时空学习模型的性能，具有广泛的应用潜力。

Coal burst spatio‑temporal prediction method based on bidirectional long short‑term memory network

方法：论文提出了一种基于双向长短期记忆网络（Bi-LSTM）的煤与瓦斯突出时空预测方法，通过构建微震时空特征指标，分别建立时间和空间预测模型，实现了对煤与瓦斯突出风险的准确预测。

创新点：

  • 提出了一种基于Bi-LSTM的煤与瓦斯突出时空预测方法，能够同时处理时间和空间维度的数据。
  • 构建了微震时空特征指标，结合长时间和短时间窗口数据，提高了预测精度。
  • 在实际工程应用中验证了该方法的有效性，时间预测准确率达到0.811，且无高能量事件误报。

扫码添加小享，回复“时空创新”

免费获取全部论文+开源代码

图片