WSDM 2024 2023 | 时空数据（Spatial-Temporal）和时间序列（Time Series）论文总结

WSDM

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（Spatial-Temporal）和时间序列（Time Series）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，TUL，物流到达时间估计，路线推荐。

时间序列Topic:

24:预测，插补

23:预测，异常检测

时空数据（spatial-temporal data）

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

链接：https://di.ustc.edu.cn/_upload/tpl/13/79/4985/template4985/assets/images/papers/zzy/CreST.pdf

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：路线推荐

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）

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）

论文：https://arxiv.org/abs/2312.16581

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

如果觉得有帮助还请分享，在看，点赞