可解释性时空预测，是融合时空数据分析与可解释AI的新方向。现在大家对“可解释性”的需求越来越迫切，而且它能解决交通预测这类实用问题，因此研究热度特别高，发展势头正猛。
这方向发文机会自然也很不错，顶会顶刊都很关注，比如IEEE TII的ScaleSTF、ICML 2025的ASNO，不过相对的审稿老师对创新点的要求也越来越严。
这里我就给想要发论文的同学一点小建议：如果是刚入门，就先从“解释”现有模型入手；如果有一定经验，不妨挑战“重构”模型本身。
本文整理了11篇可解释性时空预测前沿论文，大多是顶会顶刊成果，还附了开源代码，方便大家复现，帮大家快速了解这方向的最新技术~
扫码添加小享，回复“解释时空”
免费获取全部论文+开源代码
Predicting Large-Scale Urban Network Dynamics With Energy-Informed Graph Neural Diffusion
方法：论文提出ScaleSTF模型，用能量正则化扩散过程和图信号去噪理论设计可解释的时空预测方法，基于Transformer架构，通过低秩嵌入和调制注意力实现线性复杂度，兼顾预测精度与效率，适用于大规模城市网络预测。
创新点：
能量正则化扩散过程+图信号去噪，给时空预测模型新物理解释，从微观扩散、宏观去噪看城市网络动态。 提ScaleSTF模型，用低秩嵌入+调制节点注意力，实现线性复杂度，解传统Transformer大规模图计算瓶颈。 大规模城市网络数据集验证，高预测精度还降计算资源，给大规模时空预测高效方案。
Icst-dnet: An interpretable causal spatio-temporal diffusion network for traffic speed prediction
方法：论文提了种基于 GNN 的时空预测方法，引入物理扩散过程来增强可解释性。它用扩散方程模拟时空数据传播，再结合 GNN，更好捕捉数据动态变化。模型不仅预测准，还能借扩散过程的物理意义解释结果，提升了时空预测的可解释性。
创新点：
提出一种新的图神经网络架构，将扩散过程融入时空预测模型，为处理时空数据提供新视角。 通过模拟时空数据的物理传播过程，增强模型预测结果的可解释性，使预测更具逻辑性和透明度。 在多个数据集上验证了模型的高准确性和计算效率，证明其在时空预测任务中的有效性和实用性。
扫码添加小享，回复“解释时空”
免费获取全部论文+开源代码
Unifying Physics-and Data-Driven Modeling via Novel Causal Spatiotemporal Graph Neural Network for Interpretable Epidemic Forecasting
方法：论文提出了一种新的时空预测方法，利用因果图来捕捉时空数据中的因果关系，并通过深度学习模型进行预测。通过这种方式，模型不仅能够提供准确的预测结果，还能通过因果图清晰地展示预测的依据，从而增强预测的可解释性。
创新点：
提出了一种融合因果图与深度学习的时空预测新方法，为时空预测提供了一种新的技术路径。 借助因果图挖掘时空数据内在的因果联系，显著增强了模型预测结果的可解释性，使预测依据更加清晰透明。 在多个时空预测任务中开展实验，验证了该方法的高效性和准确性，证明其在实际应用中的价值。
Causal Spatio-Temporal Prediction: An Effective and Efficient Multi-Modal Approach
方法：论文提出了一种新的时空预测方法，通过引入因果关系和可解释性分析，增强了模型对时空数据动态变化的理解和解释能力。具体来说，该方法利用因果图模型来识别和利用时空数据中的因果关系，从而提高预测的准确性和可解释性。
创新点：
提出了一种新的时空预测框架，将因果关系分析与深度学习相结合，为时空预测提供了新视角。 引入因果图模型来识别和利用时空数据中的因果关系，显著提升了模型预测的可解释性。 在多个时空预测任务中进行了实验验证，证明了该框架的有效性和准确性，展示了其在实际应用中的潜力。
扫码添加小享，回复“解释时空”
免费获取全部论文+开源代码
