针对睡眠阶段与睡眠呼吸暂停低通气之间相关性的问题，提出一种基于自适应多任务学习的睡眠生理时序分类方法。该方法利用单导脑电与心电检测睡眠分期和睡眠呼吸暂停低通气综合征（SAHS），构造双流时间依赖学习模块，在两个任务的联合监督下提取共享特征，设计自适应任务间关联性学习模块，利用通道注意力机制建模睡眠阶段和呼吸暂停低通气之间的相关性。在两个公开数据集上的实验结果表明，所提方法可以同时完成睡眠分期与SAHS检测。在UCD数据集上，所提方法睡眠分期准确率、宏F1分数（MF1）、受试者特性曲线下面积（AUC）与TinySleepNet相比分别提升了1.21个百分点、1.22个百分点和0.008 3，SAHS检测的宏F2分数（MF2）、受试者特性曲线下面积、召回率与6-layer CNN模型相比，分别提升了11.08个百分点、0.053 7和15.75个百分点，能检出更多患病片段。所提方法可应用于家庭睡眠监测或移动医疗中，实现高效、便捷的睡眠质量评估，辅助医生对SAHS进行初步诊断。

精准预测城市区域之间的出租车需求量，可以为出租车的引导和调度以及乘客的出行推荐提供决策支持信息，从而优化出租车的供需关系。然而现有模型大多以区域内的出租车需求量为建模和预测对象，对区域之间的时空相关性考虑不足，且较少关注区域之间更细粒度的需求量预测。针对上述问题，提出一种面向城市区域间出租车需求量的预测模型——出发地—目的地融合时空网络（ODSTN）模型。该模型分别从区域和区域对两个空间维度以及临近、日、周三个时间维度出发，采用图卷积和时间注意力机制来捕获区域之间的复杂时空相关性，并设计了一种新的路径感知融合机制来对多角度的特征进行融合，最终实现了对城市区域间出租车需求量的预测。在成都和曼哈顿地区两个真实出租车订单数据集中进行了实验，结果表明ODSTN模型的平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.897 1、3.527 4、50.655 6%和0.589 6、1.163 8、61.079 4%。可见，ODSTN模型在出租车需求预测任务上具有较高的准确性。

股票市场结构复杂、信息多样，股票趋势预测极具挑战性。但现有研究大都把每只股票当作一个独立的个体，或者使用图结构对股票市场中复杂的高阶关系进行建模，缺少对股票、行业、市场三者间相互影响的层次性和动态性考量。针对上述问题，提出一种动态宏观记忆网络（DMMN），并基于DMMN同时对多只股票进行价格趋势预测。该方法按照“股票-行业-市场”的层次对市场宏观环境信息进行建模，并捕获这些信息在时序上的长期依赖；然后将市场宏观环境信息与股票微观特征信息动态融合，在增强个股对市场整体情况的感知能力的同时间接捕获到股票、行业、市场三者间的相互依赖。在收集的CSI300数据集上得到的实验结果表明，相较于基于注意力长短期记忆（ALSTM）网络、添加了图卷积的LSTM网络（GCN-LSTM）、卷积神经网络（CNN）等模型的股票预测方法，基于DMMN的方法在F1分数、夏普比率上都取得了更好的效果，和表现最优的对比方法ALSTM相比分别提升了4.87%和31.90%，这表明DMMN在具备较好预测性能的同时还具备更好的实用价值。

交通流量预测是智能交通系统中的重要研究课题，然而，交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展，但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题，首先提出一种新颖的时空超图建模方案，通过构造一种时空超关系来全面地建模复杂的局部时空关系；然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验，结果表明，相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型，STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果，不同模型运行时间的对比结果也表明，STHGCN有着更高的推理速度。