- 综合排序
- 最热优先
- 最新优先
- 来自专栏时空探索之旅
ICLR 2026 | 时空数据(Spatial-Temporal)论文总结（物理时空和气象时空：气象预测，时空点过程等）
本文总结了ICLR 2026时空数据（Spatial-Temporal）的论文，总计36篇，本文涉及13篇，如有疏漏，欢迎补充。 注：由于论文数目较多，分为上下篇，基于数据生成机制与应用场景的本质差异对论文进行分类： 上篇主要涵盖交通时空数据以及城市科学等内容，包括交通预测，人群移动，轨迹挖掘，交通模拟，自动驾驶，信号控制等内容。 下篇主要涵盖：气象时空和物理时空，如气象预测，时空点过程，时空动力系统等 观察：下篇文章统计值 最大均分 均值 最小均分 7 5.31 4 其中均分≥6的有3篇。 1. Gencer Sumbul, Li Mi, Robin Zbinden, Devis Tuia 分数：4, 4, 8, 6 信心：4, 4, 3, 3 均分：5.5 推荐阅读 ICLR 2026 | 时空数据 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读，我们将竭诚为您宣传,共同学习进步。如有意愿,请通过后台私信与我们联系。 如果觉得有帮助还请分享，在看，点赞
35510编辑于 2026-03-10 - 来自专栏时空探索之旅
KDD 2025 | (2月轮)时空数据(Spatial-temporal)论文总结
KDD 2025将在2025年8月3号到7号在加拿大多伦多举行，本文总结了KDD 2025(February Cycle)有关时空数据（Spatial-Temporal）相关文章，共计23篇，其中1-19 时空数据Topic：时空预测，轨迹表示学习，城市区域表示学习，轨迹生成，物流相关，大语言模型等。如有疏漏，欢迎补充！ 1. Blurred Encoding for Trajectory Representation Learning2. Fang (Zhejiang University); Yunjun Gao (Zhejiang University); Tianyi Li (Aalborg University) 关键词：轨迹数据增强 February Cycle ADS Track：https://kdd2025.kdd.org/applied-data-science-ads-track-papers-2/
46800编辑于 2025-07-02 - 来自专栏frytea
时空位置与大数据
在这个人人都谈大数据，处处皆用大数据的时代，我们身边的这些大数据究竟如何产生，又有多大的体量了呢？ 根据一份2013年的报告显示，2013 年中国产生的数据总量超过0.8ZB（相当于8亿TB），2 倍于2012 年，相当于2009 年全球的数据总量。 （来源，ZDNET《数据中心2013：硬件重构与软件定义》年度技术报告） 在这些数据中，除了人们日常消费、生活、交通产生的数据之外，基于位置的数据正在其中发挥着越来越重要的作用，基于位置的数据挖掘成果丰硕 参考文献 盘点中国2013行业数据量 大数据史记2013：盘点中国2013行业数据量（上） 2019年第三季度中国城市活力研究报告 高德位置开放平台 百度地图开放平台 腾讯位置大数据 Author: Frytea Title: 时空位置与大数据 Link: https://blog.frytea.com/archives/289/ Copyright: This work by TL-Song
1.3K20发布于 2020-07-16 - 来自专栏点滴积累
时空大数据云平台
为了解决当前数据中心运营过程中的数据管理组织混乱，无法深入数据本身，无法实现在线查看、浏览、分析计算等问题，我司推出了一款时空大数据云平台，能够实现数据的在线管理、在线可视化、在线计算以及在线代码编辑器等功能 一、在线管理 当前数据中心数据管理方式多为FTP，用户只能看到数据包含的文件信息，而无法看到真实的数据信息。 针对大多数常用的空间数据以及观测数据（SHP、GEOJSON、KML、TIF、IMG、JP2、TXT、CSV、EXCEL、DAT等），平台能够像百度网盘一样进行数据的上传、下载、删除、移动、重命名等常规操作 并可以深入到数据实体而非数据文件进行管理，能够查看数据的缩略图，查看数据元数据（包含波段、空间范围、大小、分辨率等），查看数据统计信息（包含字段、数量、最大值、最小值、平均值等信息）等。 [数据管理] [元数据] [数据详情] [缩略图] 通过这些信息能够让用户对此数据有一个直观的了解，但这些还不够，还不足以让用户全面的了解一个数据，于是我们实现了数据在线可视化功能。
6.2K01发布于 2020-01-18 - 来自专栏小小挖掘机
【时空序列预测实战】详解时空序列常用数据集之MovingMnist数据集(demo代码)
前言 毋庸置疑在做时空序列模型的时候，oving数据集，或者说标准的数据集是必要的 这篇文章我们主要介绍MovingMnist数据集，做这个方向的research是逃不过这个数据集的使用的 一、 Address input，后十帧为target,一共有10000个sequence，每个图片的大小为64✖64 (contains 10,000 sequences each of length 20 showing 2 batch_size, 64, 64] # B S H W -> S B H W data = np.load(path) data_trans = data.transpose(1, 0, 2, batch_size, 64, 64] # B S H W -> S B H W data = np.load(path) data_trans = data.transpose(1, 0, 2, ' + url) data = urllib.request.urlopen(url) filename = url.rpartition('/')[2]
2.5K30发布于 2020-11-09 - 来自专栏浴巾的学习分享贴
数据结构_时空复杂度
数据结构_时空复杂度 前言：此类笔记仅用于个人复习，内容主要在于记录和体现个人理解，详细还请结合bite课件、录播、板书和代码。 (M--) { ++count; } printf("%d\n", count); }基本语句（或者说基本操作）执行了2N+10次，大O渐进表示法就是O(N) N是数据规模 ， 数据规模越大，复杂度的差距越大 count; } for (int k = 0; k < N ; ++ k) { ++count; } printf("%d\n", count); }基本操作执行了M+N次，而带入到算法中的数据规模也有两个 n， n-n^3^+7n^5^， nlogn， 2^n/2^， n^3^， logn， n^1/2^+logn， (3/2)^n^， n! ， n^2^+logn 从小到大排列为：logn < n^1/2^+logn < n < nlogn < n^2^+logn < n^3^ < n-n^3^+7n^5^ < 2^n/2^ < (3/2)
36320编辑于 2023-05-09 - 来自专栏小小挖掘机
【时空序列】TKDE2020-时空图数据挖掘深度学习技术全面综述
（2）提出了一个基于深度学习的时空数据挖掘的通用框架，该框架包括以下主要步骤：时空数据实例构建、数据表示、深度学习模型选择和时空数据挖掘问题处理。 2.时空数据的分类 数据类型: 不同的应用场景和时空数据类型导致数据挖掘任务和问题表述的类别不同。 （2）预测 预测学习就是基于时空数据的历史观测值来预测未来的观测值。本文按照输入数据的类型，从5个方面来介绍预测学习。 该文对现有的时空数据挖掘工作中多源数据融合的工作进行了总结，并重点介绍两种常用的数据融合方法：1）原数据层面的数据融合 ；2）隐层特征层面的数据融合。 （2）注意力机制。 （2）深度学习模型的选择 对于给定的时空数据挖掘任务，有时可以收集多种类型的时空数据，并且可表示成不同形式的数据样式。
3.7K30发布于 2020-12-08 - 来自专栏好奇心Log
时空地理数据大搜寻计划（三）
点击下方公众号，回复资料，收获惊喜 收集数据也算是我的一大爱好，所以今天给大家分享一些可能会用到的时空地理数据，具体用到的时候还是要仔细地去看技术文档的。 由哥白尼土地局的全球部门制作，取材自PROBA-V卫星观测和辅助数据集，可以下载到电脑本地 ? ? ###### [2] 荷兰0.5米分辨率非插值DEM数据体验。 地址：https://www.sciencebase.gov/catalog/item/564b4bb0e4b0ebfbef0d31d2 ? ? [7]全球土壤湿度数据。 [9]南极1km分辨率DEM数据。地址：http://www.cpom.ucl.ac.uk/csopr/icesheets2/dems.php?
82720发布于 2021-05-28 - 来自专栏好奇心Log
时空地理数据大搜寻计划（二）
数据是GIS的血液。时空地理数据是我们经常会用到的，很多时候，分析数据可能花不了多长时间，但是收集一些合适的数据总是耗时最多，So,这一次再去搜索GIS时空地理数据，Go! 2.中国历史地图[https://worldmap.harvard.edu/maps/china-history] ? deliciously perfect! 3.哈佛地理空间数据集[http://hgl.harvard.edu:8080/opengeoportal/] ? 4.区域地图[https://dataverse.harvard.edu/dataverse/hrs] 提供有shp文件，以及一些社会经济数据 ? ? ? OK,这一期的时空地理数据收集就先到这里了，不论是做历史地理研究，比如分析城区的扩展历史，还是用来观赏，这些地图都具有了研究价值和美学价值，应该是不错的了 最后，感谢大家的分享与转发！
78710发布于 2021-05-28 - 来自专栏3D可视化
HSDB-超维时空数据库
HSDB是具备万维数据描述和存储能力的超维时空数据库，能够覆盖IoT数字孪生六大维度集，包括具有时间序列特征的行为/状态和具有空间坐标特征的位置/关系。 通过先进的数据分片技术，能够实现海量数据的分布式存储。同时，利用成熟的倒排索引技术，可支撑百亿数据量级下的高性能查询需求，满足上层各种数字孪生可视化场景的数据使用需求。 什么是维度？ 后来，维度被引入物理学领域，用于描述独立的时空坐标（N个坐标代表N维空间）。在数字孪生领域，维度可以理解为现实对象的数据参数，也称属性。 维度有什么作用？ 如何保障维度调整的灵活性，这就需要软件定位多维数据模型的能力。 软件定义数据模型的本质，就是将数据模型与上层应用功能解耦，使数据模型具备扩展性，从而满足不同应用场景下的数字化需求。 （软件定义的本质是实现了数据平面和管理控制平面解耦）优锘提供了便捷的软件定义数据模型能力，通过图形界面灵活定义和维护对象分类、属性及关系约束，降低数据模型的变更成本和实施风险，真正实现了数据模型对上层可视化需求的快速响应
1.6K51发布于 2019-11-14 - 来自专栏云社区全球资讯抢先看
时空大数据加速智慧城市落地
微软亚洲研究院首席研究员郑宇在12月2日于北京举办的2017人工智能前沿应用与人才发展论坛上说。 据介绍，城市计算包括城市数据的感知和获取、数据的管理、数据的分析和挖掘以及数据的服务和提供。 “在摩拜单车使用中，不同时间有不同的人在不同地方发出请求，这就是一个时空多变的数据；网络结构中，路网就是一个静态的网络结构，把路网叠加了交通流量信息以后就变成空间不变、时间变化的数据。” 因此，数据和应用之间就需要一个平台来连接。” “很遗憾现在任何一家公司的云计算平台都不能很好地支持我们的时空大数据。”郑宇坦言，“城市大数据平台并不是云计算平台，后者并不能很好地支持上述运算。” 把握时空数据 “城市计算处理的是时空数据，它跟视频、图像、语音是不同的。这也导致传统的深度学习模型不能直接拿来用。” 郑宇解释说，时空数据有空间属性和时间属性，时间属性又包括时间的平滑性、周期性和趋势性。 据介绍，数据的应用是首先把相邻几个小时的数据放到一个深度卷积神经网络里面，来模拟相邻时间的时序的平滑性。
1.4K00发布于 2017-12-26 - 来自专栏时空探索之旅
VLDB 2025 | 时空数据（Spatial-Temporal）论文总结(时空预测，轨迹相似度，轨迹表示等)
本文总结了VLDB 2025有关时空数据（Spatial Temporal）的相关论文，主要包含如有疏漏，欢迎大家补充。 时空数据Topic：时空预测，交通预测，轨迹相似度，轨迹表示等。 1. TEAM: Topological Evolution-aware Framework for Traffic Forecasting2. Jensen, Bac Le 关键词：交通预测，拓扑演化感知 2 Quantifying Point Contributions: A Lightweight Framework for Efficient 2024 | 时空数据（Spatial-temporal）论文总结 SIGMOD 2025 | 时间序列（Time Series）论文总结 SIGMOD 2025 | 时空数据（Spatial-temporal ）论文总结 ICDE 2025 | 时间序列(Time Series)论文总结 ICDE 2025 时空数据（Spatial-Temporal）论文总结 此公众号的文章皆系本人原创，辛苦码字不易！
10910编辑于 2026-03-10 - 来自专栏时空探索之旅
AAAI 2026 | 时空数据(Spatial-temporal)论文总结（时空预测，轨迹挖掘，自动驾驶等）
本文总结了2026 AAAI 上有关时空数据（Spatial-Temporal）相关论文。如有疏漏，欢迎大家补充。 时空数据Topic：时空预测，天气预报，城市区域表示，轨迹表示学习，相似度计算，轨迹预测，自动驾驶等。总计45篇，本文涉及24篇。 注：由于论文数目较多，分为上下篇，此为上篇，主要涵盖时空预测，轨迹数据挖掘，部分自动驾驶等的文章。下篇主要涵盖自动驾驶，城市区域表示学习，天气预报等。 1. Spatio-Temporal Hierarchical Causal Models2. 表示学习，生成等) AAAI 2026 | 时间序列(Time Series) 论文总结[上] (Oral+预测) AAAI 2025 | 时间序列（Time Seies）论文总结 AAAI 2025 | 时空数据
47110编辑于 2026-03-10 - 来自专栏秘籍酷
跨越时空的……
这个段子，跟我要说的其实也没什么关系，只是突然联想起来。昨天情人节，GitHub 将其导航栏由以下这样的风格：
50830发布于 2019-08-08 - 来自专栏时空探索之旅
ICLR 2025 | 时空数据(Spatial-Temporal)论文总结
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。 时空数据Topic：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。） ，其中1为Oral，2，3为spotlight [Oral] High-Dynamic Radar Sequence Prediction for Weather Nowcasting Using Spatiotemporal 作者：Ziye Wang, Yiran Qin, Lin Zeng, Ruimao Zhang 关键词：三维高斯，动态重建，雷达预测，天气临近预报（NWP） 分数：888 [Spotlight] 2 id=MbM1BqGpZu 作者：Hengyu Fu, Zehao Dou, Jiawei Guo, Mengdi Wang, Minshuo Chen 关键词：扩散模型，序列数据，时空依赖性，样本复杂性
74510编辑于 2025-02-21 - 来自专栏时空探索之旅
CIKM 2024 | 时空数据(Spatial-temporal)论文总结
CIKM 2024于10月21号-10月25号在美国爱达荷州博伊西举行（Boise, Idaho, USA） 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。 Junfeng Hu,Xu Liu,Zhencheng Fan,Yifang Yin,Shili Xiang,Savitha Ramasamy,Roger Zimmermann 关键词：提示学习，迁移学习 2 Real-Time Financial Data Inference 作者：Yupeng Fang,Ruirui Liu,Huichou Huang,Peilin Zhao,Qingyao Wu 关键词：金融数据推理 Wen 关键词：轨迹恢复，最后一公里配送 相关链接 CIKM24 Accepted Papers： https://cikm2024.org/accepted-papers/ 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读
67910编辑于 2024-11-19 - 来自专栏时空探索之旅
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。 Zhongchao Yi, Zhengyang Zhou, Qihe Huang, Yanjiang Chen, Liheng Yu, Xu Wang, Yang Wang 关键词：多任务，持续学习 2 GeoLifeCLEF 相关链接 NeurIPS 24 Accepted Papers：https://neurips.cc/virtual/2024/papers.html 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读
1K10编辑于 2024-11-19 - 来自专栏时空探索之旅
SIGMOD 2025 | 时空数据（Spatial-temporal）论文总结
SIGMOD 2025于6月22号-6月27号在德国柏林举行（ Berlin, Germany） 本文总结了SIGMOD 2025有关时空数据（spatial-temporal data）的相关论文，主要包含空间关键字查询 OBIR-tree: Secure and Efficient Oblivious Index for Spatial Keyword Queries2. DAN ZHU (Northwestern Polytechnical University); Jianfeng Ma (Xidian University) 关键词：空间关键字查询，安全性，高效性 2 Information Engineering, CAS, China); Shengnan Hu (Central China Normal University) 关键词：范围计数，差分隐私，空间数据联邦 Technological Univesity); Cheng Long (Nanyang Technological University); Rui Zhang (ruizhang.info) 关键词：时空查询处理
32600编辑于 2025-07-09 - 来自专栏时空探索之旅
WWW 2025 | 时空数据（Spatial-Temporal）论文总结
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。 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。 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 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。 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。
96010编辑于 2025-02-28 - 来自专栏时空探索之旅
IJCAI 2023 | 时空数据（Spatial-Temporal）论文总结
本次IJCAI 2023共收到4566份投稿，接收率大约15%，本文总结了IJCAI 2023有关时空数据（spatial-temporal）的论文。 时空数据Topic:轨迹异常检测，时空预测，信控优化等。 两个大规模轨迹数据集的实验结果证明了 ATROM 在解决已知和未知异常模式方面的优越性。 ATROM 2. ，张量时间序列预测 摘要：张量时间序列（TTS）数据是一维时间序列在高维空间上的推广，在现实场景中普遍存在，特别是在涉及多源时空数据的监控系统（例如交通需求、空气污染物）中。 2) 估算状态和奖励以实现自适应控制和 RL 智能体的训练。通过对合成和现实世界道路网络交通的广泛实验，本文提出的方法优于传统方法，并且在不同的缺失率下表现一致。 RLTSCMD 6.
45010编辑于 2024-11-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号