spatiotemporal

TRACE 是一个用于颗粒动力学的图神经网络模拟器，利用接触边记忆来提高准确性和效率，将长期展开误差降低31–62%，并实现比传统求解器更快的速度。

PULSE is a new executable contract language for spatiotemporal knowledge graph engineering, providing a typed runtime with role-based write effects, safety properties verified in Lean 4, and trace parity across large datasets.

DSETA是一种用于行程时间预测的双阶段持续学习框架，将日内实时自适应与跨日长期趋势学习分离。在线A/B测试显示，在三个城市中MAE均有降低，并已成功部署于DiDi的生产环境。

VideoChat3是一个完全开源、高效且通用的以视频为中心的多模态大语言模型，引入了膨胀3D视觉Transformer (I3D-ViT)和自适应帧分辨率用于流式视频感知，以及可扩展的视频数据合成管道，仅用4B参数就实现了卓越性能。

介绍MobiDiff，一种端到端的离散扩散框架，通过对多通道语义骨架进行去噪来生成人类移动数据，在实际数据集上实现了更快的推理速度和具有竞争力的保真度。

本文介绍了一种物理引导的机器学习框架，将物理约束融入深度学习模型（ConvLSTM、AFNONet、ViViT）中以预测燃料密度，用于野火管理，其性能优于纯数据驱动的方法。

本文提出了一种基于混淆矩阵的图构建方法和一种用于图神经网络的混合损失函数，以提高多站点污染预测的准确性和可解释性，并在真实世界空气污染数据上进行了评估。

麻省理工学院的研究人员开发了一种名为DAAAM的长期记忆框架，使机器人能够使用语言形成和回忆环境的时空记忆，从而回答诸如“我的钱包落哪儿了？”之类的查询。该方法结合了先进的地图表示与丰富的描述，性能优于当前最先进的方法。

本文介绍了SpatioTemporal Causal Network Diagnostics (ST-CND)框架，该框架利用数据驱动的因果网络和动态模态分解，为地理临界点提供局部早期预警，在合成和观测基准上优于经典空间指标。

TrajGenAgent提出了一种分层LLM智能体框架，将宏观活动规划与微观时空实例化解耦，用于无需微调即可生成逼真的人类移动轨迹。它还引入了一种基于异常检测的评估方法，用于行为保真度。

PatchSTG 提出了一种基于补丁的时空图变换器，用于不规则传感器网络的交通预测，实现了近线性复杂度并保持了有竞争力的性能。

EnergyMamba提出了一种新颖的时空框架，将图增强选择性状态空间模型与自适应共形分位数回归相结合，实现准确可靠的能源消耗预测并给出不确定性估计，在佛罗里达、纽约和加利福尼亚的真实数据集上取得了性能提升。

CHAM-net提出了一种对比分层自适应元网络，能够捕捉站点特定和跨年动态，用于稳健的全球甲烷通量预测，在模拟和观测数据集上均优于基线方法。

研究基于神经积分算子的fMRI编码和解码任务模型，重点关注非局部时空上下文的作用，并表明更大的时间窗口可提升跨数据集的性能。

The Well是一个包含16个领域、15TB多样化物理模拟数据集的大规模集合，旨在为时空物理系统的机器学习代理模型提供基准测试。它提供了统一的PyTorch接口和示例基线，以加速基于模拟的工作流程。