本次继续分享时空数据相关的论文。上一期戳这里↓：时空预测方向最新研究成果汇总，附13篇必看顶会论文https://blog.csdn.net/weixin_42645636/article/details/135369217

在刚刚过去的2023年间，我们不仅在时空数据领域的传统任务上取得了许多不错的进展，很多研究者们也在一些新的研究方向发表了值得我们学习的成果。

对于想发论文的我们来说，研读这些高分论文，我们能更轻松地找到灵感，站在大佬们的肩膀上获得属于自己的论文创新点。所以我这次就又总结了NeurIPS 2023、ICDE 2023两大顶会中时空数据相关的论文15篇，主题涉及多模态、扩散模型等研究热点。

论文和代码合集看文末

NeurIPS2023

1.Creating High-Fidelity Synthetic GPS Trajectory Dataset for Urban Mobility Analysis

为城市交通分析创建高保真合成GPS轨迹数据集

「简述：」论文提出了一种高保真度的合成GPS轨迹数据集，用于城市流动性分析。该数据集采用扩散模型作为其合成器，旨在准确模拟原始轨迹数据的空间-时间行为。通过严格的分析和案例研究，验证了所提出的合成轨迹数据集与真实世界数据集的高度相似性和实用性。

2.UUKG: Unified Urban Knowledge Graph Dataset for Urban Spatiotemporal Prediction

用于城市时空预测的统一城市知识图谱数据集

「简述：」本文提出了一种用于城市时空预测的统一城市知识图谱数据集UUKG，通过连接异构城市实体构建了数百万个三元组的城市知识图谱。作者对所构建的城市知识图谱进行了分析和评估，并将学习到的知识图谱嵌入到多个时空模型中进行实验。

3.Equivariant Spatio-Temporal Attentive Graph Networks to Simulate Physical Dynamics

等变时空注意力图网络模拟物理动力学

「简述：」论文提出了一种用于模拟物理系统动力学的等变时空注意图网络（ESTAG），通过利用过去一段时间内的轨迹来恢复非马尔可夫交互作用，从而更好地模拟物理系统的动态行为。具体来说，作者设计了一个新颖的等变离散傅里叶变换来提取历史帧中的周期性模式，并构建了等变空间模块和等变时间模块来完成空间和时间信息传递。

4.Integration-free Training for Spatio-temporal Multimodal Covariate Deep Kernel Point Processes

时空多模态协变量深度核点过程的无集成训练

「简述：」论文提出了一种新颖的深度时空点过程模型，即深度核混合点过程（DKMPP），该模型结合了多模态协变量信息。DKMPP是深度混合点过程（DMPP）的增强版，它使用更灵活的深度内核来建模事件和协变量数据之间的复杂关系，从而提高了模型的表现力。为了解决由于不可积的深层内核而导致的DKMPP训练过程难以处理的问题，作者采用了基于得分匹配的无集成方法，并通过采用可扩展的去噪得分匹配方法进一步提高了效率。

5.What if We Enrich day-ahead Solar Irradiance Time Series Forecasting with Spatio-Temporal Context?

使用时空上下文丰富日前太阳辐射时间序列预测会怎么样？

「简述：」太阳能并网对减缓气候变化至关重要，但太阳辐照度的变化带来了挑战。作者提出了一种深度学习架构，利用卫星数据的时空上下文进行准确的前瞻性时间序列预测。这种方法为每个时间步输出预测区间，以衡量预测的不确定性。此外，作者提出了一个测试方案，用于评估不同云条件下模型的表现。该方法在太阳能辐照度预测中表现出色，并有望促进太阳能的有效利用和减少二氧化碳排放。

6.DiffTraj: Generating GPS Trajectory with Diffusion Probabilistic Model

使用扩散概率模型生成GPS轨迹

「简述：」论文提出了DiffTraj模型，用于生成GPS轨迹。该模型结合了扩散模型和真实轨迹的空间-时间特征，通过反向去噪过程从白噪声重构和合成地理轨迹。同时，作者还提出了一个深度神经网络来嵌入条件信息并准确估计噪声水平。实验结果表明，DiffTraj可以生成高质量的轨迹，支持下游轨迹分析任务，并在地理分布评估方面表现优异。

7.Automatic Integration for Spatiotemporal Neural Point Processes

时空神经点过程的自动集成

「简述：」论文提出了AutoSTPP模型，用于解决时空神经点过程的自动集成问题。该模型通过将集成网络分解为多个一维图，并使用ProdNet进行参数化，有效地避免了多变量计算图中固有的计算复杂性。作者证明了AutoSTPP的一致性，并在合成数据和基准真实世界数据集上进行了验证。AutoSTPP在从不规则时空事件中恢复复杂强度函数方面表现出显著优势，特别是在强度局部化明显的情况下。

8.Equivariant Neural Simulators for Stochastic Spatiotemporal Dynamics

随机时空动力学的等变神经模拟器

「简述：」本文提出了一种名为EPNS的框架，用于自动回归概率建模系统演变的等变分布。作者使用EPNS设计了随机n体系统和随机细胞动力学的模型，并证明将等变性引入EPNS可以提高模拟质量、数据效率、滚动稳定性和不确定性量化。作者认为EPNS是一种有前途的方法，可以在各种领域中进行高效有效的数据驱动概率模拟。

9.SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data

基于时空数据的NDCG优化城市事件排名

「简述：」论文提出了一种名为SpatialRank的新颖城市事件排名方法，旨在预测未来事件（如交通事故和犯罪）风险最高的前k个位置。该问题对于公共安全和城市管理至关重要，尤其是在资源有限的情况下。作者提出了一种具有自适应图卷积层的方法，可以动态地从数据中学习地点之间的时空依赖关系，并通过替代方案使用具有空间组件的混合NDCG损失进行优化，以更好地对附近的空间位置进行排序。

10.Fine-Grained Spatio-Temporal Particulate Matter Dataset From Delhi For ML based Modeling

来自德里的细粒度时空颗粒物数据集

「简述：」本文介绍了一种利用印度德里地区公共汽车上安装的低成本PM2.5传感器构建移动传感器网络的方法，以补充现有的稀疏静态传感器网络。作者们创建了一个包含PM2.5和PM10测量值的新型数据集，并将其公开发布在网站上供机器学习和环境科学家使用。该数据集与其他公开可用的数据集之间存在显著差异，对于推进空气污染领域的研究具有重要意义。

11.OpenSTL: A Comprehensive Benchmark of Spatio-Temporal Predictive Learning

一个全面的时空预测学习基准

「简述：」OpenSTL是一个全面的时空预测学习基准，将流行的方法分为基于循环和无循环的模型。它提供了一个模块化和可扩展的框架，实现了各种最先进的方法。作者在各种领域的数据集上进行了标准的评估，并提供了关于模型架构和数据集属性如何影响时空预测学习性能的详细分析。作者发现无循环模型在效率和性能之间取得了良好的平衡，比循环模型更好。

12.LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting

大规模交通预测的基准数据集

「简述：」道路交通预测在智能城市计划中非常重要，深度学习技术可以帮助我们捕捉交通数据的非线性模式。但是，现有的公开数据集存在一些限制，如规模不够大、时间覆盖范围短和缺乏元数据等。为了解决这些问题，作者提出了LargeST基准数据集，它包含了加利福尼亚州的8600个传感器，时间覆盖范围为5年，并包含全面的元数据。通过使用LargeST，我们可以进行深入的数据分析，评估已知基线的性能和效率，并为未来研究提供挑战和机遇。

ICDE2023

PriSTI: A Conditional Diffusion Framework for Spatiotemporal Imputation

用于时空插值的条件扩散框架

「简述：」论文提出了一种名为PriSTI的条件扩散框架，用于时空插值。该框架通过增强先验建模来处理传感器故障或传输丢失导致的实际收集到的时空数据不完整问题。作者提出了一个条件特征提取模块，从条件信息中提取粗略但有效的时空依赖关系作为全局上下文先验。然后，噪声估计模块将随机噪声转换为现实值，同时考虑了由条件特征计算的时空注意力权重和地理位置关系。PriSTI在各种不同现实世界时空数据的缺失模式上优于现有插值方法，并能有效处理高缺失率和传感器故障等场景。

Dynamic Hypergraph Structure Learning for Traffic Flow Forecasting

交通流预测的动态超图结构学习

「简述：」本文提出了一种名为DyHSL的全新模型。DyHSL通过提取超图结构信息来建模交通网络的动态，并更新每个节点的表示，从而学习非成对关系。此外，作者还引入了一个交互式图卷积块，以捕获道路网络中的高阶时空关系。最后，作者将这两个组件结合到一个多尺度相关性提取模块中，该模块通过不同规模的时序池化来建模不同的时间模式。

Contrastive Trajectory Similarity Learning with Dual-Feature Attention

具有双特征注意力的对比轨迹相似性学习

「简述：」本文提出了一种名为TrajCL的轨迹相似性学习方法，通过对比学习来提高查询效率和准确性。该方法使用四种轨迹增强方法和双特征自注意力的轨迹主干编码器来同时学习轨迹的空间和结构模式。实验结果表明，TrajCL比现有方法更准确，并且在微调后可以作为启发式度量的估计器，比有监督方法高出56％的准确性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“时空15”获取论文+代码合集

码字不易，欢迎大家点赞评论收藏