# 传统方法

HA 简单，易于部署，精度低

ES 依据时间间隔的远近给数据分配不同权值，进行滑动平均

ARIMA 经典时序预测模型，将时空序列视为多条不相关的时间序列，未考虑空间相关性

STARIMA STARIMA模型在空间上的扩展，进一步考虑了数据的时空相关性

VAR 自回归模型的推广，用于估计联合内生变量的动态关系，将时空数据的多个地点的观测值视为一个向量

传统机器学习方法

DT 使用滑动窗口分解，将问题分解为固定长度的子问题用决策树进行预测

STSVR 在支持向量回归的基础上，依据数据距离不同分配不同权值

HMM 使用隐马尔可夫模型去除数据噪声，将时空序列预测转换为状态预测

深度学习方法

STANN 通过定义时空算子，构建出首个时空神经网络

ConvLSTM 将卷积操作融入LSTM中，利用LSTM挖掘区域间的动态联系

DeepST 取不同时间间隔( 一小时、一天、一周) 的数据共同建模，挖掘出数据中的周期性

ST-ResNet 在DeepST的基础上，加入了残差网络

DMVST 从时间、空间、语义三个视角建模

STDN 在LSTM中加入了注意力机制，对时间间隔不同的数据分配不同的注意力

ＲegionTrans 使用了迁移学习，把在数据充足的城市学到的模型迁移到数据不足的区域

MetaST 使用了多源迁移学习，把多个模型从多个源城市迁移到一个目标城市

DST-GCNN 使用了图卷积网络，有效地学习到了时空数据间的动态变化

L-U-Net 将U-Net 和LSTM 相结合

DST-ICRL 将多通道流量表示、不规则卷积网络和带权重采样的LSTM结合