spatiotemporal

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。