參考文章：https://mp.weixin.qq.com/s/pAiYMnekcDc_pcI7YFSqYg?
作者：時空數(shù)據(jù)學(xué)習(xí)

今天和大家分享時空數(shù)據(jù)挖掘方向的資料。

時空數(shù)據(jù)挖掘是人工智能技術(shù)的重要分支，是一種采用人工智能和大數(shù)據(jù)技術(shù)對城市時空數(shù)據(jù)進行分析與挖掘的方法，旨在挖掘時空數(shù)據(jù)，理解城市本質(zhì)，解決城市問題。

目前，時空數(shù)據(jù)挖掘廣泛應(yīng)用于交通運輸、地質(zhì)災(zāi)害監(jiān)測與預(yù)防、氣象研究、競技體育、犯罪分析、公共衛(wèi)生與醫(yī)療及社交網(wǎng)絡(luò)應(yīng)用等領(lǐng)域。

本次分享是今年AAAI 2023 頂會中時空數(shù)據(jù)挖掘相關(guān)的論文，目前共整理了23篇，有缺漏也歡迎大家評論區(qū)補充哈！

掃碼添加小享，回復(fù)“時空數(shù)據(jù)”??

免費獲取全部論文+代碼合集

1. GMDNet: A Graph-based Mixture Density Network for Estimating Packages' Multimodal Travel Time Distribution

標題：基于圖的混合密度網(wǎng)絡(luò)用于估計包裹的多模態(tài)旅行時間分布

作者：Xiaowei Mao, Huaiyu Wan, Haomin Wen, Fan Wu, Jianbin Zheng, Yuting Qiang, Shengnan Guo, Lixia Wu, Haoyuan Hu, Youfang Lin

內(nèi)容：該文提出了一個基于圖的混合密度網(wǎng)絡(luò)模型，來預(yù)測物流網(wǎng)絡(luò)中包裹的多模旅行時間分布，充分利用了圖神經(jīng)網(wǎng)絡(luò)和混合密度網(wǎng)絡(luò)的優(yōu)勢，采用期望最大化框架進行訓(xùn)練，在兩個真實數(shù)據(jù)集上驗證了其優(yōu)越性。

2. Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction

標題：交通流量預(yù)測的時空自監(jiān)督學(xué)習(xí)

作者：Jiahao Ji, Jingyuan Wang, Chao Huang, Junjie Wu, Boren Xu, Zhenhe Wu, Junbo Zhang, Yu Zheng

內(nèi)容：該文提出了一個空間時間自監(jiān)督學(xué)習(xí)的交通流預(yù)測框架，通過自適應(yīng)的數(shù)據(jù)增強和輔助的自監(jiān)督學(xué)習(xí)任務(wù)，增強了模型對空間和時間異質(zhì)性的表示能力，從而實現(xiàn)了對不同時段和區(qū)域的穩(wěn)健交通流預(yù)測。

3. Easy Begun Is Half Done: Spatial-Temporal Graph Modeling with ST-Curriculum Dropout

標題：輕松的開端是成功的一半：利用ST-Curriculum Dropout進行時空圖建模

作者：Hongjun Wang, Jiyuan Chen, Tong Pan, Zipei Fan, Xuan Song, Renhe Jiang, Lingyu Zhang, Yi Xie, Zhongyi Wang, Boyuan Zhang

內(nèi)容：該文提出了一個空間時間課程舍棄策略，通過評估每個節(jié)點在高維特征空間中的學(xué)習(xí)難度，先讓模型學(xué)習(xí)簡單的空間時間關(guān)系，然后逐漸加入難樣本，使模型逐步適應(yīng)數(shù)據(jù)的空間時間異質(zhì)性，從而提高了模型的表達能力和泛化性能。

4. AutoSTL: Automated Spatio-Temporal Multi-Task Learning

標題：AutoSTL：自動化的時空多任務(wù)學(xué)習(xí)

作者：Zijian Zhang, Xiangyu Zhao, Hao Miao, Chunxu Zhang, Hongwei Zhao, Junbo Zhang

內(nèi)容：該文提出了一個自動化的空間時間多任務(wù)聯(lián)合學(xué)習(xí)方法AutoSTL，通過可擴展的網(wǎng)絡(luò)結(jié)構(gòu)、共享模塊和特征融合機制來建模復(fù)雜的空間時間依賴關(guān)系和不同任務(wù)之間的內(nèi)在關(guān)聯(lián)，并實現(xiàn)了對網(wǎng)絡(luò)操作和融合權(quán)重的自動分配。

5. PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction

標題：PDFormer：考慮傳播延遲的動態(tài)長程變換器用于交通流量預(yù)測

作者：Jiawei Jiang, Chengkai Han, Wayne Xin Zhao, Jingyuan Wang

內(nèi)容：該文提出了一個傳播遲滯感知的動態(tài)長程transformer網(wǎng)絡(luò)PDFormer用于交通流預(yù)測，通過空間自注意力模塊捕獲動態(tài)空間依賴，圖掩碼矩陣Highlight短程和長程空間依賴，并設(shè)計了交通延遲感知的特征變換模塊來建?？臻g信息傳播的時間延遲，在多個數(shù)據(jù)集上實現(xiàn)了state-of-the-art的性能。

6. Causal Conditional Hidden Markov Model for Multimodal Traffic Prediction

標題：因果條件隱藏馬爾可夫模型用于多模態(tài)交通預(yù)測

作者：Yu Zhao, Pan Deng, Junting Liu, Xiaofeng Jia, Mulan Wang

內(nèi)容：該文從觀測生成原理的視角分析了影響多模交通流生成的物理概念，并提出了一個因果條件隱馬爾可夫模型CCHMM來預(yù)測多模交通流，該模型通過后驗網(wǎng)絡(luò)解耦出因變量的因果表示，采用因果傳播模塊挖掘因果關(guān)系，并通過互監(jiān)督的訓(xùn)練增強了模型的可識別性，實驗表明CCHMM可以有效解耦概念的因果表示、識別因果關(guān)系，并準確預(yù)測多模交通流。

7. Continuous Trajectory Generation Based on Two-Stage GAN

標題：基于兩階段GAN的連續(xù)軌跡生成

作者：Wenjun Jiang, Wayne Xin Zhao, Jingyuan Wang, Jiawei Jiang

內(nèi)容：該文提出了一個兩階段的生成對抗框架TS-TrajGen來生成連續(xù)的道路網(wǎng)絡(luò)上的軌跡，它通過生成器整合了A*算法的人 mobility假設(shè)來學(xué)習(xí)人的移動行為，并在判別器中結(jié)合順序獎勵和mobility yaw獎勵來增強生成器的效果。另外，該方法提出了一個兩階段的生成過程來克服現(xiàn)有隨機生成過程的缺點。

8. GRLSTM: Trajectory Similarity Computation with Graph-Based Residual LSTM

標題：GRLSTM：基于圖結(jié)構(gòu)殘差LSTM的軌跡相似性計算

作者：Silin Zhou, Jing Li, Hao Wang, Shuo Shang, Peng Han

內(nèi)容：該文提出了一個新的框架GRLSTM用于計算道路網(wǎng)絡(luò)上的軌跡相似性，該框架結(jié)合了知識圖譜嵌入(KGE)、圖神經(jīng)網(wǎng)絡(luò)(GNN)和殘差網(wǎng)絡(luò)的多層LSTM，構(gòu)建點知識圖譜學(xué)習(xí)點之間的多關(guān)系，使用KGE學(xué)習(xí)點和關(guān)系的嵌入來構(gòu)建點融合圖，用GNN學(xué)習(xí)點融合圖的拓撲結(jié)構(gòu)，最后用殘差LSTM學(xué)習(xí)軌跡嵌入。為進一步提高嵌入的準確性和魯棒性，引入了兩個基于鄰居的點損失函數(shù)。

9. Contrastive Pre-training with Adversarial Perturbations for Check-in Sequence Representation Learning

標題：對抗擾動對比預(yù)訓(xùn)練用于簽到序列表示學(xué)習(xí)

作者：Letian Gong, Youfang Lin, Shengnan Guo, Yan Lin，Tianyi Wang, Erwen Zheng, Zeyu Zhou, Huaiyu Wan

內(nèi)容：該文提出了一個對抗擾動的對比預(yù)訓(xùn)練模型CACSR用于簽到序列的表示學(xué)習(xí)，首先設(shè)計了空間時間增強模塊在潛空間擾動簽到序列的空間時間特征來減輕手動數(shù)據(jù)增強的壓力，其次通過對抗訓(xùn)練生成“困難”的正負樣本對構(gòu)成有效的對比預(yù)訓(xùn)練目標，這兩點鼓勵模型學(xué)習(xí)簽到序列的高級空間時間模式和語義而忽略無關(guān)細節(jié)。在三個真實數(shù)據(jù)集的兩種下游任務(wù)上表明該模型優(yōu)于當(dāng)前最先進的預(yù)訓(xùn)練方法和端到端模型。

10. Spatio-temporal Neural Structural Causal Models for Bike Flow Prediction

標題：基于時空神經(jīng)結(jié)構(gòu)因果模型的自行車流量預(yù)測

作者：Pan Deng、Yu Zhao、Junting Liu、Xiaofeng Jia、Mulan Wang

內(nèi)容：該文從因果角度出發(fā)，針對單車系統(tǒng)的單車流預(yù)測問題，提出了空間時間神經(jīng)結(jié)構(gòu)因果模型STNSCM，首先建立因果圖描述交通預(yù)測，分析輸入數(shù)據(jù)、上下文條件、空間時間狀態(tài)和預(yù)測結(jié)果之間的因果關(guān)系；然后應(yīng)用前門準則消除特征提取過程中的混雜偏差；最后提出反事實表示推理模塊，將事實場景下的空間時間狀態(tài)推斷到未來的反事實場景，以提高預(yù)測性能。實驗表明該模型優(yōu)于現(xiàn)有方法，特別是對外部環(huán)境引起的波動更具魯棒性。

11. Next POI Recommendation with Dynamic Graph and Explicit Dependency

標題：利用動態(tài)圖和顯式依賴進行下一個興趣點推薦

作者：Feiyu Yin, Yong Liu, Zhiqi Shen, Lisi Chen, Shuo Shang, Peng Han

內(nèi)容：該文針對下一興趣點POI推薦問題，提出了基于序列的鄰域搜索與預(yù)測模型SNPM，其中使用RotatE知識圖譜嵌入和Eigenmap方法從疏散的簽到數(shù)據(jù)中提取POI之間的關(guān)系構(gòu)建相似圖，然后通過聚合相似POI增強模型對POI通用特征的表達，同時構(gòu)建基于序列的動態(tài)鄰域圖尋找相似鄰域，并開發(fā)了一個多步依賴預(yù)測模型MSDP來顯式利用前序POI信息進行下一POI的預(yù)測。

12. Scalable Spatiotemporal Graph Neural Networks

標題：可擴展的時空圖神經(jīng)網(wǎng)絡(luò)

作者：Andrea Cini, Ivan Marisca, Filippo Maria Bianchi, Cesare Alippi

內(nèi)容：該文提出一種可擴展的架構(gòu)，用于預(yù)測空間時間序列的神經(jīng)預(yù)測，利用隨機循環(huán)神經(jīng)網(wǎng)絡(luò)高效編碼輸入時間序列的歷史，獲取封裝多尺度時間動態(tài)的高維狀態(tài)表示，然后利用圖鄰接矩陣的不同冪將這些表示沿空間維度傳播，生成包含豐富空間時間特征的節(jié)點嵌入，這些嵌入可以提前以無監(jiān)督方式預(yù)計算，然后饋入前饋解碼器進行多尺度空間時間表示到預(yù)測的映射，訓(xùn)練可以通過采樣節(jié)點嵌入并行化而不破壞依賴關(guān)系，因此可擴展到大型網(wǎng)絡(luò)。

13. Learning Decomposed Spatial Relations for Multi-Variate Time-Series Modeling

標題：學(xué)習(xí)分解的空間關(guān)系，用于多變量時間序列建模

作者：Yuchen Fang, Kan Ren, Caihua Shan, Yifei Shen, You Li, Weinan Zhang, Yong Yu, Dongsheng Li

內(nèi)容：該文針對多變量時間序列數(shù)據(jù)建模問題，提出了一種細粒度建模和利用變量間空間相關(guān)性的框架。通過分析真實數(shù)據(jù)集的統(tǒng)計特性，首先識別出空間相關(guān)圖的一種通用分解，即隱藏的空間相關(guān)可以分解為先驗部分和動態(tài)部分，前者適用于所有樣本，后者在樣本間變化，需要建立不同的圖來建模這些關(guān)系。為了更好地協(xié)調(diào)這兩種關(guān)系圖的學(xué)習(xí)，提出了一個min-max學(xué)習(xí)范式，既規(guī)范不同動態(tài)圖的公共部分，又保證樣本間的空間可區(qū)分性。

掃碼添加小享，回復(fù)“時空數(shù)據(jù)”??

免費獲取全部論文+代碼合集

14. c-NTPP: Learning Cluster-Aware Neural Temporal Point Process

標題：c-NTPP：學(xué)習(xí)集群感知的神經(jīng)時序點過程

作者：Fangyu Ding, Junchi Yan, Haiyang Wang

內(nèi)容：該工作針對連續(xù)時間空間中的事件序列建模問題，觀察到許多事件數(shù)據(jù)表現(xiàn)出事件之間的稀疏相關(guān)性聚類模式，而現(xiàn)有的神經(jīng) TPP 模型中歷史編碼器常用 RNN 或 Transformer 等,很少顯式考慮這種特征。為此，該文提出了 c-NTPP 模型，使用順序變分自動編碼器框架推斷每個事件所屬的潛在聚類，并設(shè)計了基于聚類的注意力機制學(xué)習(xí)每個聚類并聚合表示，從而獲得每個事件的最終表示。

15. Trafformer: Unify Time and Space in Traffc Prediction

標題：Trafformer：在交通預(yù)測中統(tǒng)一時間和空間

作者：Di Jin, Jiayi Shi , Rui Wang , Yawen Li*, Yuxiao Huang, Yu-Bin Yang

內(nèi)容：該工作針對交通流量預(yù)測問題，提出Trafformer模型，在transformer式模型中統(tǒng)一處理空間和時間信息，通過空時自注意力機制捕捉復(fù)雜的時空依賴，并使用生成式解碼器一次性預(yù)測多個時間步，還設(shè)計了降低計算復(fù)雜度的變體。在交通數(shù)據(jù)集上實驗表明，該模型優(yōu)于現(xiàn)有基準，為解決時空交通預(yù)測問題提供了有希望的方向。

16. Spatio-Temporal Meta-Graph Learning for Traffic Forecasting

標題：時空元圖學(xué)習(xí)用于交通預(yù)測

作者：Renhe Jiang, Zhaonan Wang, Jiawei Yong, Puneet Jeph, Quanjun Chen, Yasumasa Kobayashi, Xuan Song, Shintaro Fukushima, Toyotaro Suzumura

內(nèi)容：該工作針對交通流量預(yù)測問題，提出了空間-時間元圖學(xué)習(xí)方法來學(xué)習(xí)交通數(shù)據(jù)的時空圖結(jié)構(gòu)，并將其集成到元圖卷積循環(huán)網(wǎng)絡(luò)中，形成MegaCRN模型；在兩個基準數(shù)據(jù)集和東京高速道路數(shù)據(jù)集上的評估顯示其優(yōu)于當(dāng)前最先進的方法，定性分析也證明了模型可以明確區(qū)分不同模式的道路鏈和時間槽，并對異常交通情況具有強健的自適應(yīng)能力。

17. Ising-Traffc: Using Ising Machine Learning to Predict Traffc Congestion under Uncertainty

標題：Ising-Traffic：利用伊辛機器學(xué)習(xí)在不確定性下預(yù)測交通擁堵

作者：Zhenyu Pan, Anshujit Sharma, Jerry Yao-Chieh Hu, Zhuo Liu, Ang Li, Han Liu, Michael Huang, Tong Geng

內(nèi)容：該工作通過設(shè)計雙模型框架Ising-Traffc來解決交通擁堵預(yù)測中的準確性和實時性難題，它利用Ising模型的強表達能力和Ising機的強計算能力，打破了算法復(fù)雜度和計算效率之間的傳統(tǒng)權(quán)衡關(guān)系，實現(xiàn)了比最新方法更高的精度和更低的延遲。具體來說，Ising-Traffc將擁堵預(yù)測問題建模為兩個Ising模型：Reconstruct-Ising在Ising機上運行來準確處理不確定性，Predict-Ising在傳統(tǒng)處理器上運行來精確預(yù)測未來擁堵，計算需求只有現(xiàn)有解決方案的1.8%。

18. Hierarchical Contrastive Learning for Temporal Point Processes

標題：層次對比學(xué)習(xí)用于時序點過程

作者：Qingmei Wang, Minjie Cheng, Shen Yuan, Hongteng Xu

內(nèi)容：該工作針對時點過程模型的最大似然估計易過擬合的問題，提出了一種層次對比學(xué)習(xí)正則方法，它在事件級別和序列級別聯(lián)合進行對比噪聲估計，通過模型引導(dǎo)的稀疏過程高效生成正負樣本序列，最大化其對立似然以正則化最大似然，實驗表明可一致改善各時點過程模型的泛化能力。

19. SafeLight: A Reinforcement Learning Method toward Collision-Free Traffc Signal Control

標題：SafeLight：一種朝向無碰撞交通信號控制的強化學(xué)習(xí)方法

作者：Wenlu Du, Junyi Ye, Jingyi Gu, Jing Li, Hua Wei, Guiling Wang

內(nèi)容：該工作首次將路面安全標準引入強化學(xué)習(xí)交通信號控制以確保安全性，提出了Safelight殘差強化學(xué)習(xí)方法，采用多目標損失函數(shù)和獎勵塑形等技術(shù)，在合成和真實基準數(shù)據(jù)集上實驗表明，該方法可以明顯減少事故發(fā)生率的同時提高交通流動性。

20. Spatio-Temporal Graph Neural Point Process for Traffic Congestion Event Prediction

標題：時空圖神經(jīng)點過程用于交通擁堵事件預(yù)測

作者：Guangyin Jin, Lingbo Liu, Fuxian Li, Jincai Huang

內(nèi)容：該工作針對交通擁堵事件預(yù)測問題，提出了空間-時間圖神經(jīng)點過程框架STGNPP，先通過空間-時間圖學(xué)習(xí)模塊從歷史交通狀態(tài)和路網(wǎng)中捕獲長程空間-時間依賴性，再用門控循環(huán)單元模型擁堵演變模式，并通過周期門控機制改進點過程的強度函數(shù)來利用周期信息，從而同時預(yù)測下個擁堵的發(fā)生時間和持續(xù)時間。

21. City-scale Pollution Aware Traffic Routing by Sampling Max Flows using MCMC

標題：基于MCMC采樣最大流的城市尺度污染感知交通路徑規(guī)劃

作者：Shreevignesh Suriyanarayanan, Praveen Paruchuri, Girish Varma

內(nèi)容：該工作針對城市地區(qū)交通造成的嚴重空氣污染問題，提出一種污染感知路由策略來實現(xiàn)避免任何區(qū)域極端污染、使通行時間短、有效利用道路容量三個目標的平衡。該方法基于采樣理論，構(gòu)建了第一個可以對平面圖的最大流整數(shù)解進行采樣并具有通行長度概率依賴性理論保證的馬爾可夫鏈。該策略在真實世界路網(wǎng)上進行仿真表明，與其他方法相比，在全球各大城市地圖上可以顯著降低污染嚴重區(qū)域。

22. WaveForM: Graph Enhanced Wavelet Learning for Long Sequence Forecasting of Multivariate Time Series

標題：WaveForM：用于多變量時間序列的長序列預(yù)測的圖增強小波學(xué)習(xí)

作者：Fuhao Yang, Xin Li, Min Wang, Hongyu Zang, Wei Pang, Mingzhong Wang

內(nèi)容：該工作提出了WaveForM，這是一種基于小波和圖的多變量時間序列長序列預(yù)測框架，它先利用小波變換表示時間序列，同時獲取時域和頻域特征，再通過學(xué)習(xí)全局圖表示時間序列變量之間的關(guān)系，并用擴張卷積和圖卷積在小波域進行預(yù)測，在5個真實世界數(shù)據(jù)集上的長序列預(yù)測實驗表明，該方法相比每個數(shù)據(jù)集的最強基準都取得了顯著提升。

23. PateGail: A Privacy-Preserving Mobility Trajectory Generator with Imitation Learning

標題：PateGail：一種具有模仿學(xué)習(xí)的隱私保護移動軌跡生成器

作者：Huandong Wang, Changzheng Gao, Yuchen Wu, Depeng Jin, Lina Yao, Yong Li

內(nèi)容：該工作提出了PateGail，這是一種用于生成人類移動軌跡的保護隱私的模仿學(xué)習(xí)模型，它利用生成對抗模仿學(xué)習(xí)來模擬人的決策過程，并基于分布式存儲在用戶設(shè)備上的移動數(shù)據(jù)進行集成訓(xùn)練，其中個人判別器本地區(qū)分真實和生成軌跡；在訓(xùn)練過程中，只共享生成軌跡及其獎勵，并采用擾動機制來保證差分隱私；另外，還設(shè)計了獎勵聚合機制來更好地模擬人的決策，理論證明該模型在聚合獎勵下最大化用戶折扣總獎勵的下界。

掃碼添加小享，回復(fù)“時空數(shù)據(jù)”??

免費獲取全部論文+代碼合集