WWW 會議為交叉，新興，綜合領(lǐng)域的頂級會議，屬于CCF A類，幾乎計(jì)算機(jī)的任何一個領(lǐng)域都可以投WWW，是計(jì)算機(jī)交叉學(xué)科領(lǐng)域最具影響力的會議之一。WWW 每年的錄用率非常低，今年共錄用了365篇論文，錄用率僅為19.2%。

這次學(xué)姐整理了WWW 2023 會議中時間序列相關(guān)的論文14篇，都是含金量很高的最新前沿論文，方便時序方向的同學(xué)了解最新的研究成果，快速找到新的idea。

掃碼添加小享，回復(fù)“WWW”??

免費(fèi)獲取全部論文+代碼合集

1.Learning Social Meta-knowledge for Nowcasting Human Mobility in Disaster

標(biāo)題：通過學(xué)習(xí)社會元知識進(jìn)行災(zāi)害情況下人類流動性的短期預(yù)測

內(nèi)容：本研究提出了一種集成了記憶網(wǎng)絡(luò)和元學(xué)習(xí)的空間時間網(wǎng)絡(luò)MemeSTN，通過整合社交媒體和人 mobility數(shù)據(jù)，實(shí)現(xiàn)了在三個真實(shí)災(zāi)害場景下人類mobility的短期預(yù)測，并取得了優(yōu)于現(xiàn)有模型的效果。

2.GAT-DNS: DNS Multivariate Time Series Prediction Model Based on Graph Attention Network

標(biāo)題：基于圖注意網(wǎng)絡(luò)的DNS多變量時間序列預(yù)測模型GAT-DNS

內(nèi)容：本文提出了一種基于圖注意網(wǎng)絡(luò)和圖嵌入的DNS異常檢測方法GAT-DNS，可以有效檢測出各類DNS攻擊，相比最新方法 precision、recall和F1值都有提升，還可以通過刪除高依賴關(guān)系的特征來進(jìn)行模型壓縮，提高系統(tǒng)效率。

3.KAE-Informer: A Knowledge Auto-Embedding Informer for Forecasting Long-Term Workloads of Microservices

標(biāo)題：KAE-Informer: 一個用于預(yù)測微服務(wù)長期工作負(fù)載的知識自動嵌入Informer

內(nèi)容：KAE-Informer通過將全局趨勢和主要周期性以及長程依賴的低頻殘差模式的知識嵌入，設(shè)計(jì)了卷積ProbSparse自注意力機(jī)制和多層事件鑒別方案，準(zhǔn)確預(yù)測了微服務(wù)的長期工作負(fù)載。

4.Detecting Socially Abnormal Highway Driving Behaviors via Recurrent Graph Attention Networks

標(biāo)題：檢測社會性異常的高速公路駕駛行為通過遞歸圖注意力網(wǎng)絡(luò)

內(nèi)容：通過使用基于圖的遞歸自注意力網(wǎng)絡(luò)的自動編碼器模型，考慮車輛間的相互作用和交通的時空變化性，檢測違反本地駕駛規(guī)范的社會性異常駕駛行為。

5.Fast and Multi-aspect Mining of Complex Time-stamped Event Streams

標(biāo)題：快速多方面挖掘復(fù)雜時間戳事件流

內(nèi)容：CubeScope通過識別突然的不連續(xù)性和不同的動態(tài)模式即“制度”，以及在每個制度中對所有屬性進(jìn)行多方式匯總發(fā)現(xiàn)隱藏的“組件”，從而對高階張量流進(jìn)行有效、通用且可擴(kuò)展的多方面總結(jié)，檢測異常并發(fā)現(xiàn)實(shí)際存在的各類異常類型。

6.ELASTIC: Edge Workload Forecasting based on Collaborative Cloud-Edge Deep Learning

標(biāo)題：ELASTIC：基于協(xié)同云邊深度學(xué)習(xí)的邊緣工作負(fù)載預(yù)測

內(nèi)容：ELASTIC是一個首創(chuàng)的基于云邊協(xié)同的邊緣工作負(fù)載預(yù)測框架，它在全局階段設(shè)計(jì)了一個可學(xué)習(xí)的聚合層來捕獲站點(diǎn)間的相關(guān)性并降低時間消耗，在局部階段設(shè)計(jì)了一個解聚合層來結(jié)合站點(diǎn)內(nèi)和站點(diǎn)間的相關(guān)性以提高預(yù)測準(zhǔn)確性，實(shí)現(xiàn)了預(yù)測準(zhǔn)確性和效率的平衡。

掃碼添加小享，回復(fù)“WWW”??

免費(fèi)獲取全部論文+代碼合集

7.Modeling Dynamic Interactions over Tensor Streams

標(biāo)題：對張量流建模動態(tài)交互

內(nèi)容：DISMO算法通過在張量分解中引入可解釋的非線性微分方程，增量式地總結(jié)特征并切換多方面因子，來發(fā)現(xiàn)張量流中控制趨勢的時變交互(動態(tài)交互)和覆蓋趨勢的周期模式，揭示潛在的交互關(guān)系，有效地生成未來事件。它可以自動提取數(shù)據(jù)屬性之間的可解釋交互，同時提高了預(yù)測準(zhǔn)確性并大大減少了計(jì)算時間。

8.Look Deep into the Microservice System Anomaly through Very Sparse Logs

標(biāo)題：通過極為稀疏的日志深入探究微服務(wù)系統(tǒng)異常

內(nèi)容：MicroCU通過設(shè)計(jì)動態(tài)因果曲線描述時間變化的服務(wù)依賴，基于Granger因果區(qū)間的時間動態(tài)發(fā)現(xiàn)算法，生成更平滑的因果曲線空間，提出因果單峰化概念校準(zhǔn)因缺失指標(biāo)帶來的因果不忠實(shí)，在動態(tài)因果圖上定位根本原因，使用極為稀疏的API日志有效診斷微服務(wù)系統(tǒng)，優(yōu)于當(dāng)前方法。

9.DeeProphet: Improving HTTP Adaptive Streaming for Low Latency Live Video by Meticulous Bandwidth Prediction

標(biāo)題：DeeProphet：通過精確帶寬預(yù)測改進(jìn)低延遲直播視頻的HTTP自適應(yīng)流技術(shù)

內(nèi)容：DeeProphet通過收集有效的帶寬測量樣本和結(jié)合時間序列模型與基于學(xué)習(xí)的模型來預(yù)測大幅變化和不確定性波動，實(shí)現(xiàn)了低延遲直播中的精確帶寬預(yù)測，改進(jìn)了HTTP自適應(yīng)流的性能。實(shí)驗(yàn)結(jié)果表明，與最先進(jìn)的算法相比，DeeProphet提高了17.7%-359.2%的整體QoE，并將中值帶寬預(yù)測誤差降低到2.7%。

10.Regime-based Implied Stochastic Volatility Model for Crypto Option Pricing

標(biāo)題：基于情緒的隱含隨機(jī)波動率模型用于加密貨幣期權(quán)定價(jià)

內(nèi)容：利用時間-情緒聚類和隱含隨機(jī)波動率模型的最近進(jìn)展，應(yīng)用于Deribit的比特幣期權(quán)高頻數(shù)據(jù)，克服了期權(quán)定價(jià)模型高階特征跳躍所帶來的調(diào)整復(fù)雜性，實(shí)現(xiàn)了對新興數(shù)字資產(chǎn)市場動態(tài)的自適應(yīng)定價(jià)。

11.Impact of COVID-19 Pandemic on Cultural Products Interests

標(biāo)題：COVID-19疫情對文化產(chǎn)品興趣的影響

內(nèi)容：利用搜索日志數(shù)據(jù)和回歸不連續(xù)設(shè)計(jì)，研究發(fā)現(xiàn)COVID-19疫情導(dǎo)致人們對電影、音樂和藝術(shù)的興趣明顯增加，與人們活動范圍減少呈強(qiáng)相關(guān)，這種興趣變化至少持續(xù)了8周。

12.EDITS: An Easy-to-difficult Training Strategy for Cloud Failure Prediction

標(biāo)題：EDITS：一種從易到難的云故障預(yù)測訓(xùn)練策略

內(nèi)容：論文提出EDITS訓(xùn)練策略，通過從易到難的順序訓(xùn)練數(shù)據(jù)，大幅提高了現(xiàn)有云故障預(yù)測模型的性能，并取得了工業(yè)實(shí)踐中的明顯效果。

13.Forecasting COVID-19 Vaccination Rates using Social Media Data

標(biāo)題：使用社交媒體數(shù)據(jù)預(yù)測COVID-19疫苗接種率

內(nèi)容：論文通過文本分類分析表達(dá)接種意愿的推文，發(fā)現(xiàn)推文數(shù)據(jù)與實(shí)際接種率存在顯著對齊，可以作為預(yù)測未來接種率的有價(jià)值前兆數(shù)據(jù)。

14.GROUP: An End-to-end Multi-step-ahead Workload Prediction Approach Focusing on Workload Group Behavior

標(biāo)題：GROUP:一種關(guān)注工作負(fù)載組行為的端到端多步工作負(fù)載預(yù)測方法

內(nèi)容：作者提出GROUP方法，將工作負(fù)載預(yù)測的焦點(diǎn)從個體轉(zhuǎn)移到組，從數(shù)據(jù)相似性轉(zhuǎn)移到數(shù)據(jù)相關(guān)性，從隱式建模轉(zhuǎn)移到顯式建模，以準(zhǔn)確預(yù)測云原生應(yīng)用的工作負(fù)載組行為。

掃碼添加小享，回復(fù)“WWW”??

免費(fèi)獲取全部論文+代碼合集