WWW 2025 | 时空数据（Spatial-Temporal）论文总结

时空探索之旅

发布于 2025-02-28 13:15:47

1450

文章被收录于专栏：时空探索之旅时空探索之旅

WWW 2025将在2025年4月28日到5月2日于澳大利亚悉尼(Sydney, Australia)举行。

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

由于论文数较少，这次加入了摘要的中文翻译。

注：所包含的摘要中文翻译是在机器翻译基础上进行了简单调整，因此可能存在一定程度的不准确性或语义偏差。本文恳请各位读者予以理解，并建议在条件允许的情况下参考英文原文进行阅读，以获得最准确的信息。

Parallel Online Similarity Join over Trajectory Streams
Fine-Grained Data Inference via Incomplete Multi-Granularity Data
Worst-Case-Optimal Joins on Graphs with Topological Relations
Seed: Bridging Sequence and Diffusion Models for Road Trajectory Generation
Path-LLM: A Multi-Modal Path Representation Learning by Aligning and Fusing with Large Language Models
STKOpt: Automated Spatio-Temporal Knowledge Optimization for Traffic Prediction
LLGformer: Learnable Long-range Graph Transformer for Traffic Flow Prediction
Nature Makes No Leaps: Building Continuous Location Embeddings with Satellite Imagery from the Web
Hyperbolic Variational Graph Auto-Encoder for Next POI Recommendation

点击文末阅读原文跳转笔者知乎链接（跳转论文链接更方便）。

1 Parallel Online Similarity Join over Trajectory Streams

链接：https://openreview.net/forum?id=qma7XR59ZW

作者：Zhongjun Ding, Ke Li, Lisi Chen, Shuo Shang

关键词：轨迹、流、连接（Join）、相似度

摘要：轨迹相似性连接（TS-Join）作为轨迹数据分析中的一项基本操作，已被数据科学界的现有研究广泛研究。然而，现有的解决方案几乎是为离线静态轨迹设计的，无法保证实时反馈。此外，从现有解决方案中检索到的连接结果通常包含很大一部分过时的相似对，这使得它们不适用于不断发展的轨迹。有鉴于此，本文研究了在线时间感知轨迹相似性连接的新问题：给定一流不断发展的轨迹，本文的目标是实时动态发现时空相似性不小于指定阈值的轨迹对。本文创新性地引入了一种时间感知指数衰减相似性函数来消除过时的结果。为了支持对大量轨迹的实时查询，本文开发了一个并行在线轨迹相似性连接（POTSJ）框架，并结合了精心设计的工作负载平衡技术。本文通过有效的修剪策略和定制的近似技术进一步提高连接效率。本文提出的 POTSJ 框架包含了这些元素，能够处理在线 TS-Join，同时满足三个关键目标：实时结果更新、综合轨迹评估和可扩展性。在真实数据集上进行的广泛实验验证了本文的 POTSJ 框架在处理在线 TS-Join 方面的效率和可扩展性优势。

POTSJ

2 Fine-Grained Data Inference via Incomplete Multi-Granularity Data

链接：https://openreview.net/forum?id=RUWbZJ6y3i

作者：Hepeng Gao, Yijun Su, Funing Yang, Yongjian Yang

关键词：多粒度数据、超分辨率、细粒度推理、时空数据

摘要：由于城市环境中日益复杂和数据异质性，利用粗粒度地图中的信息，城市细粒度数据地图推理已成为一个重要的研究领域。现有方法有一个先验假设，即粗粒度数据映射（一个固定大小的粒度）会转换为细粒度数据映射（也是一个固定大小的粒度）。然而，在实际场景中，采集到的粗粒度数据地图往往不完整，并且在各个城市区域具有显著不同的颗粒度，从而导致数据不完整，即空间信息方面的多颗粒数据地图。同时，各种城市下游任务需要不同粒度的数据地图，这是一个多任务问题。为此，本文提出了一种新的框架，即多粒度超分辨率数据映射推理框架（MGSR），旨在利用时空信息将不完整的粗粒度多粒度数据映射转换为细粒度多粒度数据映射。具体来说，本文设计了一个粒度对齐网络，通过利用其他粒度图和精心设计的自我监督任务来对齐多粒度信息并解决每个粒度图上的缺失数据。然后，本文引入了一个特征提取网络来捕获时空依赖关系并提取特征。最后，本文设计了一个具有共享参数的递归超分辨率网络来推断多粒度数据映射。本文在三个真实世界的基准数据集上进行了广泛的实验，并证明 MGSR 明显优于最先进的多粒度城市数据地图推理方法，并将 RMSE 和 MAE 分别降低了 40.1% 和 50.3%。源代码已在 https://anonymous.4open.science/r/MGSR-7E5C 发布。

MGSR

3 Worst-Case-Optimal Joins on Graphs with Topological Relations

链接：https://openreview.net/forum?id=Qr0SUHj72t

作者：José Fuentes-Sepúlveda, Adrián Gómez-Brandón, Aidan Hogan, Ayleen Irribarra-Cortés, Gonzalo Navarro, Juan L Reutter

关键词：地理空间图、拓扑图、图查询处理、最坏情况最优联接(worst-case optimal joins)

TL; DR：本文将展示如何在拓扑图上启用最坏情况的最优查询处理

摘要：空间数据在基于知识图谱构建的许多应用程序中发挥着重要作用，并且经常在向公共查询服务（例如 Wikidata 查询服务）提出的查询中引用。查询空间数据是一项重大挑战，因为处理拓扑关系（如相邻或包含）意味着处理推断的信息，例如通过包含关系的传递性。然而，尽管最近在查询知识图谱方面取得了所有进展，但仍然缺乏专门为拓扑信息量身定制的技术。希望合并拓扑关系的应用程序必须具体化推断的关系，这会产生高空间和维护开销，或者使用效率较低的递归算法查询它们，从而产生高运行时开销。在本文中，通过设计高效的算法来处理这些查询，解决了利用知识图谱中拓扑信息的问题。本文的解决方案涉及构建一个特定的索引，该索引以方便紧凑的形式存储拓扑信息，并包括从图中的基本拓扑事实推断出所有可能关系的专用算法。本文表明，在使用解决标准图模式查询所需的基本相同空间的同时，本文可以合并拓扑谓词，考虑所有推断的信息，所有这些都在最坏情况下的最佳时间内完成。本文实施的方案通过实验表明它的性能明显优于基线解决方案。

4 Seed: Bridging Sequence and Diffusion Models for Road Trajectory Generation

链接：https://openreview.net/forum?id=L6I2KSXiPN

作者：Xuan Rao, Shuo Shang, Renhe Jiang, Peng Han, Lisi Chen

关键词：轨迹、数据合成、Transformer、扩散模型

TL; DR：一个新颖的框架，将序列和扩散模型连接起来，以生成道路轨迹，同时解决一致性、规律性和多样性问题。

摘要：道路轨迹生成可创建合成但真实的轨迹，以解决数据收集成本和隐私问题。现有方法使用序列模型逐段生成轨迹，或使用扩散模型一步整体生成轨迹。基于序列的模型具有良好的规律性和一致性（即，类似于输入轨迹）但缺乏多样性，而基于扩散的模型增强了多样性，但牺牲了规律性和一致性。为了结合现有方法的优点，本文提出了，通过将Sequence和diffusion模型连接起来来生成轨迹。特别是，Seed 采用了_conditional diffusion structure_，其中 Transformer 对沿路段的每个轨迹的运动进行建模，并以 Transformer 的输出为条件，扩散模型从随机噪声中恢复下一个路段。基本原理是 Transformer 捕获顺序运动模式以实现规律性和一致性，而扩散模型通过从噪声中恢复来引入多样性。为了训练 Seed，本文采用 Node2vec 来学习路段的嵌入，以准备模型输入，使用轨迹重建任务监督学习，并设计课程学习策略以加速收敛。本文在 3 个数据集上将 Seed 与 8 种最先进的轨迹生成方法进行了比较，结果表明 Seed 将最佳性能基线提高了 50% 以上。

Seed

5 Path-LLM: A Multi-Modal Path Representation Learning by Aligning and Fusing with Large Language Models

链接：https://openreview.net/forum?id=KmMSQS6tFn

作者：Yongfu Wei, Yan Lin, Hongfan Gao, Ronghui Xu, Sean Bin Yang, Jilin Hu

关键词：路径表示学习，大语言模型，课程学习，对比学习

摘要：智能交通系统的进步导致对精确路径表示的需求不断增长，这对于旅行时间估计、路径排名和轨迹分析等任务至关重要。然而，传统的路径表示学习（PRL）方法通常只关注单模式道路网络数据，而忽略了影响真实世界交通动态的重要物理和区域因素。为了克服这一限制，本文引入了 Path-LLM，这是一种将大型语言模型（LLM）集成到 PRL 中的多模态路径表示学习模型。本文的方法利用 LLM 来解释拓扑和文本数据，从而实现强大的多模态路径表示。为了有效地对齐和合并这些模式，本文提出了 TPalign，这是一种基于对比学习的预训练策略，可确保嵌入空间内的对齐。然后，本文介绍了 TPfusion，这是一个多模态融合模块，可在集成之前动态调整每种模态的权重。为了进一步优化 LLM 训练，本文引入了一种两阶段重叠课程学习（Two-stage Overlapping Curriculum Learning ，TOCL）方法，该方法逐渐增加了训练数据的复杂性。最后，本文在传统 PRL 下游任务的两个真实数据集上评估了 Path-LLM，在习安数据集上的路径排名性能提高了 61.84%。此外，Path-LLM 在少样本和零样本学习场景中都表现出卓越的性能。代码可在以下网址获得： https://anonymous.4open.science/r/Path-LLM-F053。

PathLLM

6 STKOpt: Automated Spatio-Temporal Knowledge Optimization for Traffic Prediction

链接：https://openreview.net/forum?id=DKoMOT7x70

作者：Yayao Hong, Liyue Chen, Leye Wang, Xiuhuai Xie, Guofeng Luo, Cheng Wang, Longbiao CHEN

关键词：交通预测、时空建模、自动化机器学习

摘要：无处不在的传感器和移动设备刺激了智慧城市中物联网（WoT）服务的增长，这使得准确的时空交通预测变得越来越重要。利用深度学习的进步，最近的时空图神经网络（STGNN）取得了显著的成果。然而，这些方法通过设计模型架构来解决特定场景的时空异质性，往往忽视了选择最佳时空知识（即模型输入）的重要性。在本文中，本文提出了一个自动化的时空知识优化框架来应对这一挑战。本文的框架与下游模型无缝集成，从而提高了它们在各种预测任务中的性能。具体来说，本文设计了一个知识搜索空间，该空间由代表数据中特定场景时空相关性的参数组成。此外，本文采用基于老虎机的多保真度算法进行知识优化，以解决资源有限的约束。此外，本文采用元学习器来提取有关最佳知识的可转移元知识，从而促进对搜索空间的有效探索。对五个广泛使用的真实世界数据集的广泛实验证明了本文提出的框架的有效性。据作者所知，本文是第一个自动优化时空知识以进行时空流量预测的工作。

STKOpt

7 LLGformer: Learnable Long-range Graph Transformer for Traffic Flow Prediction

链接：https://openreview.net/forum?id=7VjR70sxti

作者：Di Jin, Cuiying Huo, 师佳怡, Dongxiao He, Jianguo Wei, Philip S. Yu

关键词：交通流预测， Transformer，预测模型，时空图

TL; DR：LLGformer 是一种基于可学习的全局时空图的高级交通流量预测方法，它还提出了新颖的优化策略来提高模型的训练和推理效率。

摘要：交通预测在智能交通系统中起着举足轻重的作用。大多数现有研究仅根据短时间（例如一小时）的交通数据预测特定时间段的交通流量，而忽略了交通数据中存在的周期性的影响。此外，现有的先进方法大多依赖于人工构建的时空图进行联合建模，或者使用纯空间和纯时间模块分别对空间和时间特征进行建模，由于模型中的结构不足，限制了交通数据中复杂时空模式的学习。为了解决这些问题，本文提出了一种新的方法，通过构建一个可学习的远程时空图，可以更好地捕捉交通数据中的复杂模式。本文引入了一种新模型 LLGformer，它改进了传统的 Transformer 式模型，通过集成远程历史信息来促进更高效地学习交通流数据。利用时空图上的注意力机制，可以跨不同时间切片和位置实现信息的直接交互。此外，本文提出了两种优化策略，以进一步提高训练和推理的速度。对四个真实数据集的广泛实验表明，新模型的性能明显优于最先进的方法。

LLGformer

8 Nature Makes No Leaps: Building Continuous Location Embeddings with Satellite Imagery from the Web

链接：https://openreview.net/forum?id=395kTBrUZi

作者：Xixuan Hao, Wei Chen, Xingchen Zou, Yuxuan Liang

关键词：城市计算、多模态学习、位置嵌入、卫星图像、网络挖掘、对比学习、地理空间学习

TL; DR：在这项工作中，本文提出了 SatCLE，这是一种用于从卫星图像中连续嵌入位置的新框架，可增强空间和语义连续性，在不同的地理空间任务中取得最先进的结果。

摘要：从 Web 来源的卫星图像中嵌入建筑物位置已成为 Web 挖掘中一个持久的研究重点。然而，大多数现有方法本质上受到对离散、稀疏采样策略的依赖，无法捕获地理空间的基本空间连续性。此外，卫星图像中存在的混杂因素会扭曲对实际对象的感知，从而导致嵌入中的语义不连续。在这项工作中，本文提出了 SatCLE，一种利用卫星图像的连续位置嵌入的新框架。具体来说，为了解决空间连续性的分布外查询挑战，本文提出了一种地理空间细化策略，包括随机扰动连续性扩展和图传播融合，将离散的地理空间坐标转换为连续空间。为了减轻混杂因素对语义连续性的影响，本文引入了因果细化，整合了因果理论来定位和消除环境背景产生的虚假相关性。通过广泛的实验，SatCLE 展示了最先进的性能，在各种地理空间任务中表现出卓越的空间连贯性和语义保真度。

SatCLE

9 Hyperbolic Variational Graph Auto-Encoder for Next POI Recommendation

链接：https://openreview.net/forum?id=uEladLyKgE

作者：Yuwen Liu, Lianyong Qi, Xingyuan Mao, Weiming Liu, Fan Wang, Xiaolong Xu, Xuyun Zhang, Wanchun Dou, Xiaokang Zhou, Amin Beheshti

关键词：兴趣点推荐、双曲空间、变分图自动编码器、图卷积网络、mamba

摘要：下一个兴趣点（POI）推荐已成为基于位置的社交网络（LBSN）中的关键任务，它通过预测用户的下一个签到位置来提供个性化推荐。包括循环神经网络（RNN）和图卷积网络（GCN）在内的常用模型已得到广泛探索。然而，这些模型面临重大挑战，包括在欧几里得空间中难以捕获兴趣点的层次结构和树状关系以及兴趣点推荐中固有的稀疏性问题。为了应对这些挑战，我们提出了一种用于下一个兴趣点推荐的双曲变分图自动编码器（HVGAE）。具体而言，我们利用双曲图卷积网络（双曲 GCN）通过将节点嵌入从欧几里得空间转换到双曲空间来对层次结构和树状关系进行建模。然后，我们使用变分图自动编码器（VGAE）将节点嵌入转换为概率分布，增强对更深层次潜在特征的捕获并提供更稳健的模型结构。此外，我们将 Mamba4Rec 推荐器和旋转位置嵌入（RoPE）相结合，提出了旋转位置Mamba（RPMamba），以有效利用富含序列信息的兴趣点嵌入，从而提高下一个兴趣点推荐的准确性。在三个公共数据集上的大量实验证明了 HVGAE 模型的优越性能。