- 博客(107)
- 收藏
- 关注
RSS订阅原创 ICDE 2025[Tutorial]| 基于时间序列和时空数据的数据驱动决策
本文提出“数据治理-分析-决策”范式，利用时间序列和时空数据进行数据驱动决策，涵盖数据基础、治理方法、分析特性及决策策略，展望预训练、生成模型与LLMs结合等研究方向。
2025-03-30 18:01:04
923
原创 AISTATS 2025 | ChronosX：利用外生变量调整预训练时间序列模型
协变量提供了影响时间序列的外部因素的宝贵信息，在许多现实世界的时间序列预测任务中至关重要。例如，在零售业中，协变量可能表示促销或高峰日期（如假期季节），这些日期对需求预测有重大影响。在对时间序列预测进行大型语言模型架构进行预训练方面的最新进展已产生了高度准确的预测器。然而，这些模型中的大多数并不容易使用协变量，因为它们通常特定于某个任务或领域。本文介绍了一种将协变量纳入预训练时间序列预测模型的新方法。
2025-03-30 17:55:07
874
原创 AI论文速读 | 立场观点：长程时间序列预测中没有冠军
长程时间序列预测的最新进展引入了许多复杂的预测模型，这些模型的表现始终优于以前发布的架构。然而，这种快速发展引发了人们对不一致的基准测试和报告实践的担忧，这可能会削弱这些比较的可靠性。本文的立场强调需要将重点从追求越来越复杂的模型转移到通过严格和标准化的评估方法加强基准测试实践。为了支持主张，首先通过在 14 个数据集上训练 3,500 多个网络，对最流行的基准上表现最佳的模型进行广泛、全面和可重复的评估。
2025-03-18 16:25:10
756
原创 AI论文速读 | AAAI 2025| ST-FiT：使用有限训练数据的归纳时空预测
时空图广泛应用于各种实际应用中。时空图神经网络 (STGNN) 已成为从这些数据中提取有意义见解的强大工具。然而，在实际应用中，大多数节点在训练期间可能不具备任何可用的时间数据。例如，由于疫情的异步性，地理图上大多数城市的疫情动态可能不可用。这种现象与大多数现有时空预测方法的训练要求不符，危及了它们的有效性，从而阻碍了更广泛的部署。在本文中，提出用有限的训练数据制定一种新的归纳预测问题。具体来说，给定一个时空图，目标是学习一个时空预测模型，该模型可以在没有任何可用时间训练数据的情况下轻松推广到这些节点上。
2025-03-18 16:17:02
1041
原创 WWW 2025 | 时空数据（Spatial-Temporal）论文总结
本文总结了WWW 2025有关时空数据（Spatial-Temporal）相关文章，OpenReview上可以看到接收列表。如有疏漏，欢迎大家补充。时空数据Topic：轨迹相似度计算，轨迹生成，交通预测，地理位置嵌入表示，POI推荐等
2025-03-09 20:06:37
1227
原创 WWW 2025 | 时间序列（Time Series）论文总结
本文总结了WWW 2025有关时间序列(Time Series)相关文章，OpenReview上可以看到接收列表。如有疏漏，欢迎大家补充。时间序列Topic：时序预测，异常检测，表示学习，大模型，IOT时序等
2025-03-09 20:04:38
919
原创 ICLR 2025 | 时间序列(Time Series)论文总结
ICLR 2025将在2025年4月24日到28日于新加坡举行。ICLR 2025共有11,565篇投稿，录取率32.08%。本文总结了2025 ICLR上有关时间序列（time series）相关论文。如有疏漏，欢迎大家补充。：预测，插补，分类，生成，因果分析，异常检测，LLM以及基础模型等内容。
2025-03-05 14:46:21
1395
原创 ICLR 2025 | 时空数据(Spatial-Temporal)论文总结
ICLR 2025将在2025年4月24日到28日于新加坡举行。ICLR 2025共有11,565篇投稿，录取率32.08%。本文总结了2025 ICLR上有关时空数据(Spatial-Temporal)相关论文。如有疏漏，欢迎大家补充。：时空预测（交通，气象），时空动力学等。（ICLR更多的是交通数据以外的物理驱动的深度学习以及AI4Science的时空数据，笔者能力有限，囊括了更为广义的时空数据，没有加以区分。因此，部分内容可能缺乏必要的严谨性。）
2025-03-05 14:44:44
1034
原创 AI论文速读 | 立场观点：利用多模态大模型增强时间序列推理能力
理解时间序列数据对于多种实际应用至关重要。虽然大型语言模型 (LLM) 在时间序列任务中大有可为，但当前的方法通常仅依赖数值数据，而忽略了时间相关信息（例如文本描述、视觉数据和音频信号）的多模态性质。此外，这些方法未充分利用 LLM 的推理能力，将分析限制在表面层面的解释，而不是更深层次的时间和多模态推理。在这篇立场观点论文中，作者们认为多模态 LLM (MLLM) 可以为时间序列分析提供更强大、更灵活的推理，从而增强决策和实际应用。
2025-02-20 16:51:38
1022
原创 KDD25 | 人类移动预测的通用模型
预测人类移动对于城市规划、交通管制和应急响应至关重要。移动行为可分为个体和群体，这些行为由各种移动数据记录，例如个体轨迹和群体流量。作为移动数据的不同模态，个体轨迹和群体流量具有紧密的耦合关系。人群流量源于个体轨迹自下而上的聚合，而人群流量施加的约束塑造了这些个体轨迹。由于个体轨迹和群体流量之间的模态差距，现有的移动预测方法仅限于单一任务。在这项工作中，旨在统一移动预测以突破任务特定模型的局限性。提出了一个通用的人类移动预测模型（名为 UniMob），它可以应用于个体轨迹和群体流量。
2025-02-20 16:45:10
766
原创 AAAI 2025 | 时间序列（Time Seies）论文总结
AAAI 2025将在2025年2月25日到3月4日于美国费城（ Philadelphia, Pennsylvania, USA）举行。AAAI 2025共有篇投稿（Main Technical Track），共录取了篇论文，录取率。本文总结了2025 AAAI上有关时间序列（time series）相关论文，共计55篇
2025-01-21 11:19:35
3888
原创 AAAI 2025 | 时空数据（spatial-temporal）论文总结
AAAI 2025将在2025年2月25日到3月4日于美国费城（ Philadelphia, Pennsylvania, USA）举行。AAAI 2025共有篇投稿（Main Technical Track），共录取了篇论文，录取率本文总结了2025 AAAI上有关时空数据（spatial-temporal）相关论文。：交通预测，插补，轨迹生成，轨迹表示学习，POI推荐，POI表示学习，车辆调度等。其中1-13为。
2025-01-21 11:13:11
2044
原创 年度系列 | 2024时空数据研究工作总结
2024年就要结束了，对今年在时空数据挖掘领域的工作进行了一次回顾，旨在总结今年时空领域的主要进展。总体而言，和23年总结一样，2024年的时空数据挖掘不仅在传统任务上继续取得进展（这部分不再赘述），而且还涌现出了一些新的研究方向新的数据和更多新的可能。注：作为一个初学者，对于这个领域的理解还不够深入，我的观点可能显得有些浅薄和幼稚。尽管如此，我还是愿意分享在我学习过程中发现的一些有趣的文章和见解。我非常欢迎各位宝贵意见和指导，也请大家不吝批评，帮助我更好地成长和进步。
2025-01-05 20:54:27
1288
原创 WSDM 2025 | 时间序列（time series）论文总结
总结了WSDM 2024有关时间序列（time series）的相关论文，如有疏漏，欢迎大家补充。（没有时空数据相关的论文）**时间序列Topic**：异常检测，表示学习，分类。总计**3**篇。
2025-01-05 20:50:48
1037
原创 ICDM 2024 | 时空数据（Spatial-Temporal）论文总结
本文总结了ICDM 2024有关时空数据（spatial-temporal data）的相关论文，如有疏漏，欢迎大家补充。
2024-12-23 12:33:23
1007
原创 ICDM 2024 | 时间序列（time series）论文总结
ICDM 2024于2024年12月9号-12月12号在阿联酋阿布扎比举行（Abu Dhabi, UAE）本文总结了ICDM 2024有关时间序列（time series）的相关论文，如有疏漏，欢迎大家补充。时间序列Topic：分类，预测，异常检测，基础模型等内容。总计9篇，其中regular4篇，short4篇，Demo 1篇。
2024-12-23 12:23:40
1635
2
原创 ICLR 2025 | 时间序列(Time Series)高分论文总结
ICLR2025已经结束了讨论阶段，进入了meta-review阶段，分数应该不会有太大的变化了，本文总结了其中时间序列(Time Series)高分的论文。如有疏漏，欢迎大家补充。：均分要大于等于6（≥6，即使有3，但是有8或者更高的分拉回来也算）：预测，插补，分类，生成，因果分析，异常检测，LLM以及基础模型（还有KAN和Mamba各一篇）等内容。
2024-12-21 21:48:27
4452
1
原创 ICLR 2025 | 时空数据(Spatial-Temporal)高分论文总结
ICLR2025已经结束了讨论阶段，进入了meta-review阶段，分数应该不会有太大的变化了，本文总结了其中**时空数据(Spatial-Temporal)**高分的论文。如有疏漏，欢迎大家补充。：均分要大于等于6（≥6，即使有3，但是有8或者更高的分拉回来也算）：时空预测，轨迹生成，LLM以及基础模型等内容
2024-12-21 21:33:09
2577
原创 VLDB 2024 | 时间序列（Time Series）论文总结
VLDB 2024于2024年8月26号-8月30号在中国广州举行。本文总结了有关（time series data）的相关论文，主要包含如有疏漏，欢迎大家补充。时间序列Topic：预测，分类，异常检测，插补，生成，数据管理等。
2024-12-11 00:16:36
1475
原创 VLDB 2024 | 时空数据（Spatial-temporal）论文总结
VLDB 2024于2024年8月26号-8月30号在中国广州举行。本文总结了有关（time series data）的相关论文，主要包含如有疏漏，欢迎大家补充。时空数据Topic：交通预测，插补，轨迹相似度检索，轨迹恢复，轨迹插补，路径规划，最短路查询等。
2024-12-11 00:13:51
1322
转载 TimeMixer++：用于通用预测分析的通用时序特征机器
本文介绍了一种全新的深度模型架构TimeMixer++，在8个时间序列分析任务中全面超越了Transformer等模型，成功实现了通用的时间序列建模与应用。TimeMixer++的创新之处在于将时间序列转化为图像，并在时域与频域、多尺度、多分辨率下进行特征提取，从而提升了模型的表现。TimeMixer++的成功不仅为时序分析领域带来了新的思路，也展示了一种全新的时序理解视角。未来，随着更多优化技术和应用场景的引入，相信TimeMixer++将进一步推动时序预测技术的发展，为各行业带来更大的价值。
2024-11-01 20:04:02
1068
转载 Time-MoE：混合专家的十亿级时间序列基础模型
Time-MoE的成功标志着时序预测领域迈入了一个全新时代。它不仅在性能上全面超越了现有模型，更为构建大规模、高效、通用的时序预测基础模型奠定了一个可行的范式。Time-MoE的发布不仅为学术界开辟了全新的研究方向，也为工业界的多种时序应用场景注入了巨大的潜力。在能源管理、金融预测、电商销量、气象预报等众多关键领域，Time-MoE将成为企业和研究机构的强大工具。仅为学术界开辟了全新的研究方向，也为工业界的多种时序应用场景注入了巨大的潜力。
2024-11-01 20:00:47
920
原创 NeurIPS 2024 | 时空数据（Spatial-Temporal）论文总结
NeurIPS 2024于2024年12月10号-12月15号在加拿大温哥华举行（Vancouver, Canada）,录取率25.8%本文总结了NeurIPS 2024有关时空数据（spatial-temporal data）的相关论文，主要包含气象预测，时空插补，轨迹生成，交通模拟，信控优化，异常检测以及LLM在时空数据的应用等内容，如有疏漏，欢迎大家补充。时空数据Topic：气象预测，时空插补，轨迹生成，交通模拟，信控优化，异常检测以及LLM在时空数据的应用等内容。总计20篇，其中正会12篇，D&B
2024-10-25 17:26:26
2642
原创 NeurIPS 2024 | 时间序列（Time Series）论文总结
NeurIPS 2024于2024年12月10号-12月15号在加拿大温哥华举行（Vancouver, Canada）,录取率25.8%本文总结了NeurIPS 2024有关时间序列（time series data）的相关论文，主要包含如有疏漏，欢迎大家补充。****时间序列Topic**：预测，插补，分类，生成，因果分析，异常检测，LLM以及基础模型等内容。总计60篇，其中正会56篇，D&B Track4篇
2024-10-25 17:23:24
6825
原创 CIKM 2024 | 时空数据(Spatial-temporal)论文总结
本文总结了CIKM 2024有关时空数据（spatial-temporal data）的相关论文，主要包含交通预测，插补，事故预测，气象预测，轨迹相似度计算，物流配送以及时空图神经网络在金融，供应链，能源等领域应用的相关内容，如有疏漏，欢迎大家补充。
2024-10-06 14:28:27
2134
2
原创 ECML PKDD 2024 | 时空数据（Spatial-Temporal）和时间序列（Time series）论文总结
本文总结了ECML PKDD 2024有关时空数据（spatial-temporal data）的相关论文，主要包含交通预测，预训练，迁移学习等内容，如有疏漏，欢迎大家补充。以及时间序列（time series）,包括时序预测，异常检测，分类，聚类等内容。
2024-10-06 14:26:23
1666
原创 KDD 2024 时空数据(Spatio-temporal) ADS论文总结
2024 KDD（ ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 知识发现和数据挖掘会议）在2024年8月25日-29日在举行。本文总结了KDD2024有关的相关论文，如有疏漏，欢迎大家补充。：时空（交通）预测, 生成，拥堵预测，定价预测，气象预测，轨迹生成，预测，异常检测，信控优化等KDD 2024 时空数据(Spatial-temporal) ADS论文总结其他🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘！🚀。
2024-09-07 11:34:46
1775
原创 KDD 2024 时空数据(Spatio-temporal) Research论文总结
2024 KDD（ ACM SIGKDD Conference on Knowledge Discovery and Data Mining, 知识发现和数据挖掘会议）在2024年8月25日-29日在举行。本文总结了KDD2024有关的相关论文，如有疏漏，欢迎大家补充。：时空（交通）预测,插补，气象预测，轨迹生成，预测，异常检测，信控优化等
2024-09-07 11:31:45
2270
原创 AI论文速读 | 2024MM【开源】时间序列预测中频率动态融合
长期时间序列预测是各种应用中的长期挑战。尽管傅里叶分析提供了一种替代方法来有效地捕捉可重用和周期性模式以实现不同场景中的长期预测，但现有方法通常假设高频分量代表噪声，应该在时间序列预测中丢弃。此外，设计了频率动态融合 (FreDF)，它单独预测每个傅里叶分量，并动态融合不同频率的输出。本文还对时间序列预测的泛化能力提出了新的见解，并提出了时间序列预测的泛化界限。DR: 本文提出了一种新的频率动态融合方法（FreDF），通过在傅里叶域中独立预测并动态融合不同频率分量，以提高长期时间序列预测的性能和泛化能力。
2024-08-04 19:27:34
900
1
原创 IJCAI 2024 | 时空数据（Spatial-Temporal）论文总结
2024 IJCAI（International Joint Conference on Artificial Intelligence, 国际人工智能联合会议）在2024年8月3日-9日在举行。本文总结了IJCAI2024有关的相关论文，如有疏漏，欢迎大家补充。：时空（交通）预测，气象预测，轨迹表示学习，轨迹恢复，信控优化，POI等🌟【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。
2024-08-04 19:24:31
3779
原创 AI论文速读 | 2024[KDD]自适应时空图神经网络中图中奖彩票的预训练识别
在本文中，提出了一种新方法，通过引入源自彩票假设 (Lottery Ticket Hypothesis，LTH) 的图中奖彩票 (Graph Winning Ticket，GWT) 概念，显著提高自适应时空图神经网络 (ASTGNN) 的计算效率。通过在训练之前采用预先确定的星型拓扑作为 GWT，本文在边缘减少和高效信息传播之间取得平衡，在保持高模型性能的同时降低了计算需求。生成自适应时空图的时间和空间计算复杂度都从ON2O(N^2)ON2显著降低到ONO(N)ON。
2024-06-30 13:04:21
954
原创 AI论文速读 | 2024[KDD]ASeer基于异步时空图卷积网络的不规则交通时间序列预测
由智能交通信号控制的交叉口的准确交通预测对于有效的智能交通信号控制系统的发展至关重要。然而，由于智能交叉口产生的不规则交通时间序列，交通预测任务变得更加棘手，并提出了三个主要的新挑战： 1）异步空间依赖，2）交通数据之间的不规则时间依赖，以及3）要预测的可变长度序列，这严重阻碍了当前交通预测方法的性能。为此，提出了一种异步时空图卷积（ASpatio-tEnEtwoRk, ASeer）来预测未来时间窗口内进入智能交叉口的车道的交通状态。
2024-06-30 12:59:00
1832
原创 SIGMOD 2024 | 时空数据（Spatial-Temporal）和时间序列（Time Series）论文总结
本文总结了SIGMOD 2024有关时间序列（time series）,包括时序数据库，查询优化等内容。以及时空数据（spatial-temporal data）的相关论文，主要包含时空时空数据管理，时空数据挖掘，数据库等内容，如有疏漏，欢迎大家补充。笔者对DB了解浅薄，如有表述不当，欢迎大家指正。
2024-06-14 22:42:32
2005
原创 AI论文速读 | 2024[SIGIR]基于大语言模型的下一个兴趣点推荐
下一个兴趣点 (POI) 推荐任务是根据用户的历史数据来预测用户的下一次 POI 访问。基于位置的社交网络（LBSN）数据通常用于下一个 POI 推荐任务，但也面临着挑战。一项经常被忽视的挑战是如何有效地利用 LBSN 数据中存在的丰富上下文信息。以前的方法受到数值性质的限制，无法解决这一挑战。本文提出了一个使用预训练大语言模型（LLM）来应对这一挑战的框架。该框架允许我们以原始格式保存异构 LBSN 数据，从而避免上下文信息的丢失。此外，由于包含常识知识，该框架能够理解上下文信息的内在含义。
2024-06-14 22:38:30
2267
1
原创 AI论文速读 | 2024[ICML]FlashST：简单通用的流量预测提示微调框架
交通预测的目的是准确预测和分析交通模式的动态，同时考虑空间和时间。然而，分布偏移的存在对这一领域提出了重大挑战，因为现有模型在面对与训练分布有显著差异的测试数据时难以很好地泛化。为了解决这个问题，本文介绍了一个简单而通用的时空提示微调框架——FlashST，它使预训练模型适应各种下游数据集的具体特征，提高各种交通预测场景的泛化能力。具体来说，FlashST 框架采用轻量级时空提示网络进行上下文学习，捕获时空不变知识并促进对各种场景的有效适应。
2024-06-08 15:52:14
1597
原创 AI论文速读 | 2024[KDD]GinAR—变量缺失端到端多元时序预测
多元时间序列预测 (MTSF) 对于决策至关重要，基于从多个序列的历史观测中识别出的复杂关系来准确预测未来的值/趋势。最近，时空图神经网络 (STGNN) 因其在挖掘时空依赖性方面的强大能力而逐渐成为 MTSF 模型的主题，但它们中的大多数都严重依赖于历史数据完整性的假设。实际上，由于数据收集器故障和耗时修复等因素，收集整个历史观测值而不遗漏任何变量极具挑战性。在这种情况下，STGNN 只能利用正常变量的子集，并且很容易受到不正确的时空依赖性建模问题的影响，从而导致其预测性能下降。
2024-06-08 15:47:17
1852
2
原创 ICML 2024 Mamba 论文总结
2024ICML（International Conference on Machine Learning，国际机器学习会议）在2024年7月21日-27日在举行
2024-05-25 17:34:47
2730
原创 ICML 2024 时空数据（Spatial-Temporal）论文总结
2024ICML（International Conference on Machine Learning，国际机器学习会议）在2024年7月21日-27日在举行（好像ICLR24现在正在维也纳开）。本文总结了ICML 24有关的相关论文，如有疏漏，欢迎大家补充。：时空点过程，时空预测等4篇，最后一篇涉及提示微调和大模型相关。
2024-05-25 17:22:51
1604
原创 ICML 2024 时间序列（Time Series）论文总结【抢先版】
2024ICML（International Conference on Machine Learning，国际机器学习会议）在2024年7月21日-27日在举行（好像ICLR24现在正在维也纳开）。本文总结了ICML 24有关的相关论文，如有疏漏，欢迎大家补充。同时我也蹭一下Mamba的热度，放了3篇ICML接收的Mamba的文章。：预测，因果，表示学习，分类，异常检测，插补，生成，不确定性量化，基础模型，大模型。
2024-05-18 14:29:25
11532
原创 AI论文速读 | 2024[IJCAI]时空解耦掩码预训练的时空预测
时空预测技术对于交通、能源和天气等各个领域都具有重要意义。由于复杂的时空异质性，时空序列的准确预测仍然具有挑战性。特别是，当前的端到端模型受到输入长度的限制，因此经常陷入时空幻觉），即相似的输入时间序列后面跟着不同的未来值，反之亦然。为了解决这些问题，本文提出了一种新颖的自监督预训练框架时空解耦掩码预训练（STD-MAE），它采用两个解耦屏蔽自动编码器沿空间和时间维度重建时空序列。通过这种重建学习的丰富上下文表示可以由下游预测器与任意架构无缝集成，以增强其性能。
2024-05-18 14:27:04
1168
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人