睡眠阶段分类对睡眠评估和疾病诊断至关重要。然而，如何有效地利用不同睡眠阶段的大脑空间特征和过渡信息仍然是一个挑战。特别是，由于对人类大脑的认识有...

图神经网络(gnn)已被证明是一种强大的机器，学习复杂依赖在多元时空过程。然而，大多数现有的gnn具有固有的静态架构，因此，不能显式地考虑编码知...

长期以来，多元时间序列预测在能源消耗和交通预测等实际应用中受到了广泛关注。虽然最近的方法显示出良好的预测能力，但它们有三个基本的局限性。(i)....

摘要：长期以来，多元时间序列建模一直吸引着经济、金融和交通等各个领域的研究人员。多元时间序列预测的基本假设是变量之间相互依赖，但如果仔细观察，现...

存在一些问题限制了基于transformer的LSTF模型的性能：(i)不考虑序列之间的潜在相关性;(ii)编码器-解码器的固有结构从复杂度上来...

在处理来自真实应用程序的数据时，处理缺失的值和不完整的时间序列是一项劳动密集型、乏味且不可避免的任务。有效的时空表征将允许imputation方...

时空图建模是分析系统中各组成部分的空间关系和时间趋势的一项重要任务。现有的方法大多捕捉固定图结构的空间依赖性，假设实体之间的潜在关系是预先确定的...

摘要：多元时间序列预测是一项具有挑战性的任务，因为数据涉及长期和短期模式的混合，变量之间具有动态的时空相关性。现有的图神经网络(GNN)通常用预...