【顶会KDD2021】 KDD2021时空数据处理文章汇总

最新推荐文章于 2025-04-16 13:00:34 发布

原创

最新推荐文章于 2025-04-16 13:00:34 发布 · 4.3k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#数据挖掘 #人工智能 #神经网络 #深度学习

本文汇总了KDD2021会议上关于时空数据处理的7篇文章，涉及交通速度预测、全网络交通状态推断、轨迹相似度计算、用户流失预测、地图约束轨迹恢复和多变量股票运动预测等领域。动态图神经网络、自兴趣联盟学习等先进技术被应用于解决复杂时空数据问题，实验结果展现出显著的预测性能和效果。

总共7篇关于时空数据处理的文章。

1.Dynamic and Multi-faceted Spatio-temporal Deep Learning for Traffic Speed Forecasting

动态图神经网络(dgnn)已成为最有前途的交通速度预测方法之一。然而，在采用dgnn进行交通速度预测时，现有方法通常基于静态邻接矩阵(无论是预定义的还是自学习的)来学习不同路段之间的空间关系，即使两个路段的影响在一天内可能会发生动态变化。而且，未来的交通速度不仅与当前的交通速度有关，还会受到交通量等其他因素的影响。为此，本文旨在探索交通数据所固有的这些动态的、多方面的时空特征，以进一步发挥dgnn在更好地预测交通速度方面的作用。具体来说，我们设计了一种动态图构造方法来学习路段的时间特定的空间依赖性。然后，提出了一个动态图卷积模块，通过在动态邻接矩阵上传递消息，将邻居节点的隐藏状态聚合到焦点节点。此外，还提供了一个多面融合模块，将从交通量学习到的辅助隐藏状态与从交通速度学习到的主要隐藏状态结合起来。最后，在真实数据上的实验结果表明，该方法不仅可以达到最先进的预测性能，而且可以获得明确的、可解释的路段动态空间关系。

2.Network-Wide Traffic States Imputation Using Self-interested Coalitional Learning

准确的网络交通状态估计对许多交通操作和城市应用都是至关重要的。然而，在城市级执行实时推断时，现有的方法经常遇到可伸缩性问题，或者在有限的数据下不够健壮。目前，探测车辆的GPS轨迹数据已成为许多交通应用的流行数据源。GPS轨迹数据覆盖面积大，是网络范围内应用的理想选择，但也存在不同时间和位置之间稀疏和高度异构的缺点。在本研究中，我们着重于利用部分观测到的流量信息开发一个健壮的、内部可预测的全网络流量状态推断框架。我们引入了一种新的学习策略，称为自兴趣联盟学习(SCL)，它在主要的自兴趣半监督学习任务和作为批评者的鉴别者之间建立了合作关系，以促进主要任务的训练，同时提供对结果的可解释性。在我们的模型中，我们使用一个