在空气质量监控、传染病传播、气象预报、国际进出口物流和交通流量分析等场景中,存在大量的时空预测问题。有必要构建高效准确的时空预测模型,为实际应用提供理论和技术支撑。近年来,面向大规模高分辨的时空数据预测取得了一系列研究成果,但针对稀疏时空数据的预测研究仍处于起步阶段。稀疏时空数据的特征表达、预测模型容易过拟合、数据不确定性干扰一系列瓶颈问题还有待突破。针对上述瓶颈问题,本文以空气质量监测和新型冠状病毒监控的稀疏时空数据为切入点,从人工智能理论和先验知识交叉融合的角度,开展面向多维稀疏时空数据的预测方法研究。主要研究内容包括:（1）针对空气质量监测数据的空间稀疏性以及低成本传感器读数漂移、受交叉干扰影响、监测精度存在时变性和空间异质性问题,提出一种基于时空注意力机制的低成本传感器校准模型。首先,我们将这一时空校准模型建模为编码器-解码器结构。在这一框架下,短期编码器根据空间注意力机制对各微测站实时监测数据进行融合,并通过门控循环单元学习污染物短期波动特征。长期编码器利用国测站历史时间序列学习污染物浓度长期变化的趋势性和周期性规律,从预测角度提供信息。最后,解码器融合长期特征和短期特征来生成校准结果。我们在两个真实数据集上对一氧化碳和臭氧传感器读数进行校准,结果表明所提出算法优于8个基线模型且具有较好的鲁棒性。（2）针对新型冠状病毒监控数据的时间稀疏性、滞后性与漏报问题以及疾病动态传播模式带来的挑战,提出基于元学习的新型冠状病毒新增感染人数预测方法。首先通过图注意力网络聚合邻域嵌入表达来捕捉空间依赖性。门控循环单元学习融合特征的时域变化规律,从短期视角给出预测结果。同时,传染病动力学模型SEIR的参数由门控卷积单元输出的隐藏状态动态生成,在此基础上给出长期视角下的预测结果。此外,在模型训练之前,通过元学习算法MAML优化模型的初始参数。最后,我们在美国州级数据集上进行验证,结果表明所提模型优于6个基线模型且在小样本训练集下仍能快速收敛到最佳参数。