【重制版】WSDM 2024 2023时空时序论文总结

WSDM
🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘!🚀
欢迎大家关注时空探索之旅时空探索之旅QRCode

WSDM 2024于2024年3月4日-3月8日在墨西哥梅里达(Mérida, México)正在举行。目前官网已经放出了所有被录用论文的表单(链接在相关链接给出)。本次会议共收录112篇论文。

WSDM 2023于2023年2月27日到3月3日在新加坡举行,公布的录用结果为,共收到投稿690篇,录用123篇,录用率为17.8%

WSDM(Web Search and Data Mining)是CCF B类会议,清华A类会议

本文收集WSDM 2023和2024上有关时空数据(包含)和的相关论文,便于大家交流学习。

时空数据Topic:

24:时空预测(24均为时空预测)

23:时空预测,轨迹分类,物流到达时间估计。

时间序列Topic:

24:预测,插补

23:预测,异常检测

时空数据(spatial-temporal data)

时空词云

1. CityCAN: Causal Attention Network for Citywide Spatio-Temporal Forecasting

**作者:**Chengxin Wang (National University of Singapore)*; Yuxuan Liang (The Hong Kong University of Science and Technology (Guangzhou)); Gary Tan (National University of Singapore)

**关键词:**因果推断,时空预测

CityCAN

2. CreST: A Credible Spatiotemporal Learning Framework for Uncertainty-aware Traffic Forecasting

**作者:*Zhengyang Zhou (University of Science and Technology of China); Jiahao Shi (University Of Science And Technology Of China); Hongbo Zhang (University of Science and Technology of China); Qiongyu Chen (University of Science and Technology of China); Xu Wang (University of Science and Technology of China); Hongyang Chen (Zhejiang Lab); Yang Wang (University of Science and Technology of China)

**关键词:**可靠性,不确定性感知,交通预测

CreST

摘要:时空交通预测在智能交通系统中发挥着至关重要的作用,为多样化的城市服务提供支持。 现有的流量预测框架通常设计各种学习策略来从流量本身的角度捕获时空相关性。 然而,之前的流量预测仍然不可靠。 首先,上下文因素交互对动态区域相关性的影响还在探索。 其次,动态引发的预测可信度问题尚未得到充分探讨。 在本文中,利用信息丰富的交通相关背景因素来共同解决动态区域异质性并解释随机性,以实现可靠的不确定性感知交通预测。 具体来说,为了将动态上下文影响内化到学习过程中,设计了上下文交叉关系嵌入来捕获每个上下文之间的交互,并生成虚拟图拓扑以动态地将成对区域与上下文嵌入相关联。 为了量化预测可信度,将数据不确定性(随机不确定性,aleatoric uncertainty)归因于上下文,并重新利用它们进行数据不确定性量化。 然后,将具有相同目标的双管道(dual-pipeline)学习结合起来,以产生模型输出的差异并量化模型不确定性(认知不确定性,epistemic uncertainty)。 这两个不确定性通过时空网络输入,用于提取不确定性演化模式。 最后,全面的实验和模型部署证实了CreST框架的可信度。

3. MultiSPANS: A Multi-range Spatial-Temporal Transformer Network for Traffic Forecast via Structural Entropy Optimization

**作者:**Dongcheng Zou (Beihang University)*; Senzhang Wang (Central South University); li xuefeng (Beihang university); Hao Peng (Beihang University); Yuandong Wang (Tsinghua University); Chunyang Liu (didichuxing); KEHUA SHENG ( Beijing DiDi Infinity Technology and Development Co., Ltd. ); Bo Zhang (Didi Chuxing)

**关键词:**交通预测,Transformer

链接:https://arxiv.org/abs/2311.02880

代码:https://github.com/SELGroup/MultiSPANS

摘要:交通预测是一项复杂的多元时间序列回归任务,对于交通管理和规划至关重要。 然而,现有的方法通常很难使用局部时空特征和道路网络分层知识来建模复杂的多范围依赖关系。 为了解决这个问题,本文提出了 MultiSPANS。 首先,考虑到单个记录点无法反映关键的时空局部模式,设计了多滤波器卷积模块来生成信息丰富的 ST-token 嵌入,以促进注意力计算。 然后,基于 ST -token和时空位置编码,使用 Transformer 来捕获远程时空依赖性。 此外,引入结构熵理论(structural entropy minimization)来优化空间注意力机制。 具体来说,结构熵最小化算法用于生成最佳路网层次结构,即编码树。 基于此,提出了基于相对结构熵的位置编码和基于多层编码树的多头注意力mask方案。 大量的实验证明了所提出的框架相对于现实世界流量数据集中的几种最先进的方法的优越性,并且有效地利用了更长的历史窗口。

MultiSPANS

WSDM 2023(有ACM论文链接)

4. A Multi-graph Fusion Based Spatiotemporal Dynamic Learning Framework

**作者:*Xu Wang (University of Science and Technology of China); Lianliang Chen (University of Science and Technology of China); Hongbo Zhang (University of Science and Technology of China); Pengkun Wang (University of Science and Technology of China); Zhengyang Zhou (University of Science and Technology of China); Yang Wang (University of Science and Technology of China)

论文:https://dl.acm.org/doi/abs/10.1145/3539597.3570396

**关键词:**时空预测,时空动态图

MGTF

5. Range Restricted Route Recommendation Based on Spatial Keyword

**作者:*Hongwei Tang (Soochow University); Detian Zhang (Soochow University)

论文:https://dl.acm.org/doi/abs/10.1145/3539597.3570434

**关键词:**路径推荐

6. S^2TUL: A Semi-Supervised Framework for Trajectory-User Linking

**作者:**Liwei Deng (University of Electronic Science and Technology of China); Hao Sun (Peking University); Yan Zhao (Aalborg University); Shuncheng Liu (University of Electronic Science and Technology of China); Kai Zheng (University of Electronic Science and Technology of China)*‘

**论文:**https://dl.acm.org/doi/abs/10.1145/3539597.3570410

**关键词:**Trajectory-User Linking (TUL) ,轨迹分类,半监督

7. Inductive Graph Transformer for Delivery Time Estimation

**作者:**Xin Zhou (Nanyang Technological University)*; jinglong wang (Alibaba Group); Yong Liu (Nanyang Technological University); xingyu wu (Alibaba Group); Zhiqi Shen (NTU); Cyril Leung (NTU)

**论文:**https://dl.acm.org/doi/abs/10.1145/3539597.3570409

**arXiv:**https://arxiv.org/abs/2211.02863

**代码:**https://github.com/enoche/IGT-WSDM23

**关键词:**物流到达时间估计,图Transformer

IGT

时间序列(Time Series)

时序词云

1. Neural Reconciler for Hierarchical Time Series Forecasting

**作者:*Shiyu Wang (antgroup)

**关键词:**时间序列预测,分层级

2. Continuous-time Autoencoders for Regular and Irregular Time Series Imputation

**作者:*Hyowon Wi (Yonsei University); Yehjin Shin (Yonsei University); Noseong Park (Yonsei University)

关键词:(不规则)时间序列插补,自编码器(AE),神经控制微分方程(NCDE)

摘要:时间序列插补是时间序列最基本的任务之一。 现实世界的时间序列数据集通常是不完整的(或不规则且缺少观测值),在这种情况下强烈需要插补。 已经提出了许多不同的时间序列插补方法。 最近基于自注意力的方法显示了最先进的插补性能。 然而,基于连续时间循环神经网络(RNN),即神经控制微分方程(NCDE)的插补方法的设计长期以来一直被忽视。 为此,基于 NCDE 重新设计时间序列(变分)自动编码器。 该方法称为连续时间自动编码器(continuous-time autoencoder ,CTA),将输入时间序列样本编码为连续隐藏路径(path)(而不是隐藏向量),然后对其进行解码以重建和插补输入。使用 4 个数据集和 19 个基线进行的实验中,CTA在几乎所有情况下都显示出最佳的插补性能。

CTA

WSDM 2023(有ACM论文链接)

3. Telecommunication Traffic Forecasting via Multi-task Learning

**作者:*Xiaochuan Gou (King Abdullah University of Science and Technology); Xiangliang Zhang (University of Notre Dame)

论文:https://dl.acm.org/doi/abs/10.1145/3539597.3570440

**关键词:**通信流量预测,多任务学习

4. Adversarial Autoencoder for Unsupervised Time Series Anomaly Detection and Interpretation

**作者:**Xuanhao Chen (University of Electronic Science and Technology of China)*; Liwei Deng (University of Electronic Science and Technology of China); Yan Zhao (Aalborg University); Kai Zheng (University of Electronic Science and Technology of China)

论文:https://dl.acm.org/doi/abs/10.1145/3539597.3570371

**关键词:**时间序列异常检测,可解释性,无监督,自编码器

相关链接:

WSDM 2024全部接受论文:https://www.wsdm-conference.org/2024/accepted-papers/

WSDM 2023 全部接收论文:https://www.wsdm-conference.org/2023/program/accepted-papers

SIGMOD 2023 时序&时空数据论文

VLDB 2023 时空&时序论文汇总

ICDE 2023 时空数据论文

KDD 2023 时空数据论文

WWW 2023 时空数据论文

IJCAI 2023 时空数据论文

ECML PKDD 2023 时空数据论文

CIKM 2023 时空数据论文总结

ICLR 2024投稿时空数据论文汇总

NeurIPS 2023 时间序列(Time Series)论文总结

NeurIPS 2023 时空数据论文总结

u.com/p/662513115)

NeurIPS 2023 时间序列(Time Series)论文总结

NeurIPS 2023 时空数据论文总结
🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘!🚀
欢迎大家关注时空探索之旅时空探索之旅QRCode

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/271208.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

实现消息队列(Kafka、ActiveMQ、RabbitMQ和RocketMQ)高可用

概述 单机没有高可用可言,高可用都对集群来说的 要保证消息队列系统(如Kafka、ActiveMQ、RabbitMQ和RocketMQ)的高可用性,可以采取以下一些通用的措施: 集群部署:将消息队列系统部署为集群,包…

uniapp和vue项目配置多语言,实现前端切换语言

在uniapp中配置多语言功能,实现前端切换语言,可以按照以下步骤进行: 1. 创建语言包 首先,创建一个名为 lang 的目录,并在该目录下为每种支持的语言创建对应的JSON或JS文件。例如: lang/en.js&#xff08…

【Linux】深入理解cd命令

🍎个人博客:个人主页 🏆个人专栏:Linux ⛳️ 功不唐捐,玉汝于成 目录 前言 正文 基本用法: 相对路径和绝对路径: 特殊符号和快捷方式: 符号链接: 自动补全&…

重装系统后正版office如何安装

前言 重装系统后,正版office如何安装 登录官网 https://www.microsoft.com 下载office https://account.microsoft.com/services

培训机构新助力:教务管理工教务管理新境界:完善流程,高效运营触手可及具

随着科技的不断进步,教育领域正迎来一场革命性的变革。乔拓云教育系统,作为这场变革的引领者,正以其卓越的功能和高效的解决方案,为培训机构带来前所未有的教务管理新篇章。 一、高效排课,让教务管理更轻松 乔拓云教育…

蓝桥杯(3.7)

P1102 A-B 数对 import java.util.Scanner; public class Main {public static void main(String[] args) {Scanner sc new Scanner(System.in);int n sc.nextInt();int c sc.nextInt();int[] res new int[n1];for(int i1;i<n;i)res[i] sc.nextInt();int sum 0;for(i…

Redis基础入门

目录 目录 一、认识Redis Redis特征&#xff1a; 二、Redis数据结构介绍 三、Redis的命令 1.Redis通用命令 2.关于String类型的命令 3.关于Hash类型的命令 4.关于List类型的常用命令 5.关于Set类型的常用命令 6.关于SortSet类型的常用命令 四、Redis中的层级关系的key 五…

【RabbitMQ】WorkQueue

&#x1f4dd;个人主页&#xff1a;五敷有你 &#x1f525;系列专栏&#xff1a;MQ ⛺️稳中求进&#xff0c;晒太阳 Work Queues Work queues任务模型&#xff0c;简单来说就是让多个消费者绑定到一个队列&#xff0c;共同消费队列中的消息 当消息处理比较耗时的时候&…

【开课】云贝教育2024年3月9日-PostgreSQL中级工程师PGCE认证培训开课啦!

课程介绍 根据学员建议和市场需求,规划和设计了《PostgreSQL CE 认证课程》,本课程以内部原理、实践实战为主&#xff0c;理论与实践相结合。课程包含PG 简介、安装使用、服务管理、体系结构等基础知识。同时结合一线实战案例&#xff0c; 面向 PG 数据库的日常维护管理、服务和…

力扣114. 二叉树展开为链表

Problem: 114. 二叉树展开为链表 文章目录 题目描述思路复杂度Code 题目描述 思路 思路1&#xff1a;借助额外空间 借助一个队列将二叉树先序遍历的节点存入&#xff0c;再取出连接成一个链表 思路2&#xff1a;后序遍历处理 后序遍历&#xff0c;先将左子树拉伸为一个链表&am…

支小蜜校园防欺凌系统如何有效应对学生霸凌?

学生霸凌不仅直接伤害到被霸凌者的身心健康&#xff0c;也对整个校园的和谐氛围构成了威胁。为了应对这一问题&#xff0c;校园防欺凌系统应运而生&#xff0c;成为维护校园安全、保护学生权益的重要工具。那么当校园防欺凌系统面对学生霸凌时&#xff0c;该如何有效应对呢&…

3. springboot中集成部署vue3

1. vue3构建 构建命令 npm run build&#xff0c; 构建的结果在disc目录&#xff1a; 2. springboot集成 2.1 拷贝vue3构建结果到springboot resources/static目录 2.2 springboot pom依赖 添加thymeleaf依赖 <dependency><groupId>org.springframework.boot</…

onnx模型优化利器onnxoptimizer、onnxsim

ONNX性能优化和调试技巧 - 知乎ONNX模型是一种跨平台、跨框架的模型表示格式,允许用户在不同的深度学习框架之间共享模型和数据,从而加速模型开发和部署。然而,在实际应用中,我们通常需要对ONNX模型进行性能优化和调试,以确保其在不同硬件和…https://zhuanlan.zhihu.com/…

golang中go build 后读取配置文件

golang打包后读取配置文件 在用go写代码的时候&#xff0c;为了好用经常使用go build 打包&#xff0c;如果我们用到了配置文件&#xff0c;就总是导致不能找到文件所在位置了出现bug&#xff0c;所以以下代码就解决了这个问题。 核心代码&#xff1a; file, err : exec.Look…

蓝桥杯刷题(一)

一、 import os import sys def dps(s):dp [0] * len(s)dp[0] ord(s[0]) - 96if len(s) 1:return dp[-1]dp[1] max(ord(s[0]) - 96, ord(s[1]) - 96)for i in range(2, len(s)):dp[i] max(dp[i - 1], dp[i - 2] (ord(s[i])) - 96)return dp[-1] s input() print(dps(s))…

Java定时调度

在Java应用程序中&#xff0c;定时调度是一项重要的任务。它允许你安排代码执行的时间&#xff0c;以便在将来的某个时刻自动执行任务。Java提供了多种方式来实现定时调度&#xff0c;其中最常用的是Java的Timer和ScheduledExecutorService。 在本教程中&#xff0c;我们将学习…

高效实用|ChatGPT指令/提示词/prompt/AI指令大全,进阶版

大家好&#xff0c;我是淘小白~ 《高效实用|ChatGPT指令/提示词/prompt/AI指令大全&#xff0c;基础版》整理完了&#xff0c;下面来看下进阶版的吧&#xff01; 如果对你有用记得点赞、关注、收藏哦~ 划走可能找不着了哦~~ 进阶版指令可用于复杂任务和场景&#xff0c;以及…

千帆AppBuilder使用指南-组件中心

应用中心 百度智能云千帆AppBuilder&#xff08;以下简称为AppBuilder&#xff09;应用中心&#xff0c;提供了大量可以立即体验的应用示例&#xff0c;开发者可以在这里搜索感兴趣的应用进行使用。 官方应用&#xff1a;AppBuilder官方提供的应用&#xff0c;可以立即体验应用…

前端运算符比较与计算中的类型转换,运算规则

题目&#xff1a; 下面表达式的值分别都是什么&#xff08;类型转换&#xff09; 0 0 0 2 true 2 false false false false 0 false undefined false null null undefined\t\r\n 0JS中的原始类型有哪些 原始值类型就是 存储的都是值&#xff0c;没有函数可以调用的。…

文件另存为保存:无法在未启用宏的工作簿中保存以下功能,

Wb.DoNotPromptForConvert true; Wb.Application.DisplayAlerts false;