随着传感器等数据采集技术的不断进步，产生了海量且高质量的时空数据，迫切需要探索有效的时空数据建模方法。面向复杂时空数据的预测任务是时空数据挖掘领域的核心研究任务之一，在气象、交通、灾害评估、城市规划以及物流等领域得到了广泛应用。传统统计模型和机器学习模型在复杂时空相关性建模方面存在局限性，难以有效捕捉时空数据中的关键模式，如相关性、周期性和异质性等，导致它们的预测结果无法达到实际应用的准确性要求，而深层神经网络模型凭借其强大的通用函数逼近能力，能够有效地对复杂的时空数据进行建模。因此，本文针对具有显式空间信息的时空网格、时空图和时空轨迹数据和具有隐式空间信息的多元时间序列这四类时空数据提出了一系列基于深层神经网络模型的创新性预测模型，并在相应的时空数据类型下的典型应用进行了验证，证明了提出模型的有效性。主要的研究工作和贡献归纳如下：
1、针对空间拓扑结构是静态且均匀分布的时空网格数据的建模问题，提出了两种创新的U 型网络模型：分层U-Net（HU-Net）和注意力脉冲U-Net（ASUNet）。HU-Net 通过其分层设计，旨在充分挖掘时空网格数据中的全局与局部空间相关性，并采用了重参数技巧，以提升模型在推断时的速度。而ASU-Net，是融合了注意力机制的脉冲U 型网络，旨在降低人工神经网络在训练和推断过程中的高能耗。通过在天气预测应用上的实验验证，HU-Net 模型显著提高了预测的准确率；ASU-Net 模型则实现了在较低能耗下保持高预测精度的目标。
2、针对空间拓扑结构是静态且非均匀分布的时空图数据的建模问题，提出了两种不同的建模方法：基于图卷积的双通道小波变换神经网络（DSTWave）和基于Transformer 的时空Transformer（ST-Transformer）。DSTWave 模型由解纠缠长短期时间模式的小波变换网络和堆叠的双通道的时空图卷积组成。ST-Transformer模型引入了空间Transformer 和时间Transformer，分别用于建模全局空间依赖性和长期时间依赖性。通过在交通预测应用上的实验验证，DSTWave和ST-Transformer 能够达到最优的预测效果，从而证明了所提出方法的有效性。
3、针对空间拓扑结构是动态且非均匀分布的时空轨迹数据的建模问题，提出了基于条件变分自编码器的模型Social-CVAE。Social-CVAE 的核心是一种条件变分自动编码器架构，该架构通过以观察到的过去轨迹为条件，利用随机潜在变量来学习智能体的未来轨迹的多模态分布。通过在行人轨迹预测应用上的实验验证，提出的Social-CVAE 实现了最佳的结果，验证了该算法的有效性。
4、针对具有隐式空间信息的多元时间序列的长期建模问题，提出了非平稳条件变分自编码器（N-CVAE）和傅里叶U 型网络（F-UNet）。N-CVAE 通过引入了
噪声和设计对时间序列数据的非平稳性建模的组件，使模型能够更好地适应不同
的输入分布，缓解分布漂移问题，以实现更准确的长期时间序列预测。F-UNet 由低的时间复杂度的神经网络组件组成，以期望超越目前最优的基Transformer的高时间复杂度的长期时序预测模型。通过在真实的工业现场和多个公开基准
多元时间序列数据集上的实验验证，F-UNet 能够以低时间复杂度、高计算效率
优于目前基于Transformer 的模型，N-CVE 也取得了最佳的预测结果，证明了所
提出模型的有效性。