- 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. 3 均分：5.5 推荐阅读 ICLR 2026 | 时空数据(Spatial-Temporal)论文总结[上]【交通与城市科学：交通预测，轨迹挖掘，交通模拟，自动驾驶等】 ICLR 2026 | 时间序列 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？ （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 再比如，根据百度地图慧眼的2019年第三季度中国城市活力研究报告，深圳市是当前（2019Q3）人口吸引力最强大的城市，其次为广州、北京、上海。 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。 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。 [数据可视化] [矢量数据可视化] [栅格数据可视化] [观测数据可视化] [观测数据可视化] [数据过滤] [空间化] 系统还支持直接将可视化结果输出，用户可以自行配置标题、指北针、图例、比例尺、作者
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 地址：http://www.cs.toronto.edu/~nitish/unsupervised_video/ 这个数据集主要是在 Unsupervised Learning of Video Representations 64, 64] # B S H W -> S B H W data = np.load(path) data_trans = data.transpose(1, 0, 2, 3) 64, 64] # B S H W -> S B H W data = np.load(path) data_trans = data.transpose(1, 0, 2, 3)
2.5K30发布于 2020-11-09 - 来自专栏新智元
3个思想实验撕裂时空！实验证实：人类居住时空并非物理实体，而是近似
文章探讨了关于时空结构的一些思想实验，这些实验挑战了我们对宇宙的基本理解。 文中指出，我们所居住的宇宙的时空结构似乎并不是无法再进一步分解的最基础单位，而是某种更深层次事物的近似。 随着物理学家总结出对现实进一步理解的更基本单位，现有的时空结构概念最终将被取代。 文中提出了3个思想实验来论证这一观点。 这些思想实验表明，我们所居住的宇宙的时空结构在极端情况下可能会崩溃。 所以存在一个最小距离——称为普朗克长度——低于这个尺度，我们无法获取数据。 综上所述，如果在普朗克尺度以下无法进行任何测量，那么或许，我们所理解的时空在这个尺度上并不存在。 思想实验3：存储信息 这个思想实验探讨了「在一个固定的时空区域中尽可能多地存储信息」后，可能发生的情况。 首先，想象在一个区域内——比如一间房间——放满书籍。书页上可以记录多少信息？ 综上所述，或许黑洞——乃至所有时空区域——都是存在于某种未知性质的二维表面上的数据全息图。
20300编辑于 2025-02-14 - 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。 int M = 10; while (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，算法的优劣体现的就越明显 基本语句（或者说基本操作）的执行次数成为时间频度，在上面的例子中T(N)=2N+10 // 计算Func3的时间复杂度? 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MeteoAI
【时空序列预测第六篇】时空序列预测模型之EIDETIC 3D LSTM（结合3DConv与RNN）
_eidetic3d.pdf ? 二、Introduction 2.1 3DCNN和RNN模型 3DCNN和RNN模型都用于时空序列预测上，之后呢，大家肯定会想两个模型简单得做一下前向的连接会不会更有效果呢？ 三、EIDETIC 3D LSTM 3.1 在循环神经网络中的3D-CNN结构 把3D-CNN与RNN结合处理序列问题，可以有以下两种结构 ? 注：黑色箭头就是普通的数据格式和维度，而蓝色的是代表通过3D-CNN的方式来传递的。 结构输出信息，并将上一时刻的输出整合在一起得到的序列特征数据形式进行3D-CNN的Decoder输出预测 但实验表明这样的整合还不如直接RNN结构的效果好 ?
1.6K50发布于 2020-06-19 - 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
(3)参考点数据（Point reference data）: 参考点数据包括连续时空场的测量值，例如在空间和时间上一组移动参考点上的温度、湿度等参数。 3.深度学习模型 vs 时空数据挖掘任务 该文收集和整理了近年来有关时空数据挖掘研究的论文，并做出了分类，其中包括预测、表示学习、检测、分类、推理/估计、推荐等类别，针对每一类问题按处理的时空数据的类型来分别介绍了相应的深度学习模型 该文中提到的3D-SCN、MST3D模型以及Bilong Shen等人的研究，均介绍了如何使用深度模型对ST栅格数据进行表示学习和预测。 该文介绍了在时空数据挖掘中引入注意力机制的原因和相关原理，并将现有时空数据挖掘工作中所采用的注意力机制分为三类：1）空间域的注意力；2）时间域的注意力；以及3）时间和空间域的注意力。 （3）气候与天气 由于不同地点的气候数据具有较高的时空相关性，因此时空数据挖掘技术也被广泛应用于短期和长期的天气预报。本文介绍了有关空气质量推断、降水预测、风速预测和极端天气检测的相关研究。
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。 ###### [3]全球ALOS地形多样性。地址：https://www.sciencebase.gov/catalog/item/564b4bb0e4b0ebfbef0d31d2 ? ? gimms.gsfc.nasa.gov/SMOS/SMAP/ (1)https://www.frontiersin.org/articles/10.3389/fdata.2020.00010/full#h8 （3） https://nsidc.org/data/SPL3SMP/versions/5 ? [12]TRMM 3B43降水数据集。地址：https://disc.gsfc.nasa.gov/datasets/TRMM_3B43_7/summary ?
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! 1.全球气候分区数据[https://geoafrikana.com/resources/] ? 下载过来在Google Earth或者ArcGIS中打开看看 ? ? 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 - 来自专栏机器学习、深度学习
时空特征--Learning Spatiotemporal Features with 3D Convolutional Networks
/c3d/ https://github.com/facebook/C3D 本文使用 3D CNN 来分析视频序列，学习到的时空特征称之为 C3D，主要寻找3D CNN 中的最优3D滤波器结构 视频数据的分析是一个很重要的工作 我们的 C3D是多才多艺的： ? 3 Learning Features with 3D ConvNets 3.1. 3D convolution and pooling 我们相信 3D CNN 网络适合于时空特征的学习，和 2D CNN 网络相比，3D ConvNet 通过3D 卷积和 3D 池化 可以对时间信息进行建模。 我们的思路是先在一个小的数据库上寻找一个最优的 3D ConvNet 网络结构，然后再在一个大的数据库上进行验证。
1.6K100发布于 2018-01-03 - 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
“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。 因为三个因素的输出结果并不是在每个地方都一样，因此三个数据要先做融合，并引入权重系数。 为了解决这一问题，微软研究院引入深度残差神经网络，整个架构称为时空残差网络。
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. Contributions: A Lightweight Framework for Efficient and Effective Query-Driven Trajectory Simplification3. Jensen, Ge Yu 关键词：轨迹查询，轨迹简化 3 SIMformer: Single-Layer Vanilla Transformer Can Learn Free-Space Trajectory 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. /2508.10427 作者：Keishi Ishihara; Kento Sasaki; Tsubasa Takahashi; Daiki Shiono; Yu Yamaguchi nan 关键词：时空推理的视觉问答数据集 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 - 来自专栏新智元
训练速度远超3D CNN，提速3倍！Facebook首发「时空版」Transformer
视频剪辑上限可达几分钟，远远超过当下最好的3D CNN，且成本更低。 论文链接：https://arxiv.org/pdf/2102.05095.pdf TimeSformer 在几个难度系数比较高的动作识别基准上获得了最好的效果，包括 Kinetics-400动作识别数据集 此外，与现代3D 卷积神经网络(CNN)相比，TimeSformer 的训练速度提高了大约3倍，推理所需计算量不到原来的十分之一。这是支持需要实时或按需处理视频的应用程序的重要一步。 TimeSformer在两个数据集上都实现了最高的准确度。 分时空注意力 传统的视频分类模型利用3D 卷积滤波器。 传统的3D卷积神经网络由于需要在视频的所有时空位置上使用大量的滤波器，所以计算成本也很高。
1.2K10发布于 2021-03-24 - 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 id=37EXtKCOkn 作者：Valerii Iakovlev, Harri Lähdesmäki 关键词：动力学，时空，神经，偏微分方程，常微分方程 分数：8688 [Spotlight] 3 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。 Perspective in Traffic Flow Prediction 作者：Qi Yu,Weilong Ding,Hao Zhang,Yang Yang,Tianpu Zhang 关键词：交通预测，解耦 3 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。 Hanyang Chen, Yang Jiang, Shengnan Guo, Xiaowei Mao, Youfang Lin, Huaiyu Wan 关键词：信控优化，扩散模型 DiffLight 3 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
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