中文简历

针对 Transformer 在时空预测中计算复杂度高且无法建模传播时延的问题，提出 Time-Lag Embedding 与 Spatial Proxy Attention (SPA) 机制，以线性复杂度捕获异步节点间的传播依赖。 与发表时期的SOTA模型STAEformer对比，TLAST取得MAE降低2.8%，GPU占用/训练时间减少79.16%与59.66%。实现了高精度与高效率兼顾的时空预测。

针对时空数据的表示学习问题，提出基于“重建-预测”的自监督预训练框架，提出了“压缩-提取-解压缩”的时空编码结构，通过时空掩码与重建任务学习通用时空表征。 与发表时期的 SOTA 自监督方法（GPT-ST）相比，ST-ReP取得MAE降低至多20.24%，GPU占用/训练时间减少67.22%/28.07%。为构建通用时空基础模型提供了表征层与训练范式的基础。

针对现有GNN模型普遍忽略时间先验与跨时间空间关联的问题，提出跨时间编码模块，并构建时间伴随图卷积结构，以紧凑架构捕获多尺度时空语义。 与同期SOTA模型ASTGNN对比，TAGnn取得MAE降低至多9.27%，训练耗时减少89.84%。将显式时间先验与跨时间卷积相结合，实现了可解释、轻量且高精度的时空预测框架。

针对交通预测中空间依赖动态变化与不确定性的难题，提出基于模糊神经网络的动态邻接生成模块，在跨时间片上构建动态图结构，仅用单层GCN即可捕获长时依赖。 与发表时期的SOTA方法STSGCN对比，DSTAGCN取得MAE降低8.71%，训练速度提高50.47%。引入不确定性感知的动态图邻接学习，实现时空依赖的自适应建模与高效预测。