- 综合排序
- 最热优先
- 最新优先
- 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)
VLDB 2025于2025年9月1号-5号在英国伦敦(London, United Kingdom)举行。 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. RED: Effective Trajectory Representation Learning with Comprehensive Information5. 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 Jensen, Panos Kalnis 关键词：轨迹表示学习 5 T-Assess: An Efficient Data Quality Assessment System Tailored for
16910编辑于 2026-03-10 时空轨迹和空间细胞相互作用
目前的空间平台Visium11, NanoString Spatial Profiling, seqFISH+, MERFISH and Slide-seq2寻因、华大、百迈客、德运康瑞其中我们关注的内容1、伪时空 每个方向都有了很多的内容空间轨迹方向单细胞、空间、外显子分析方法更新空间轨迹向量场2单细胞轨迹分析之应用篇空间轨迹向量场单细胞个性化分析之轨迹分析篇时空轨迹分析导论空间转录组之空间基因和细胞轨迹空间通讯方向 10X单细胞空间通讯分析之最新版cellphoneDB（v4）解读通过空间行为（optimal transport）推断空间细胞间通讯信号方向(COMMOT)时空通讯分析策略空间注释新思路与临近通讯新玩法时空通讯分析大盘点单细胞个性化分析之多样本细胞通讯比较篇单细胞个性化分析之细胞通讯篇数据矫正方向 细胞类型的时空变化Pseudo-time-space (PSTS) trajectory analysis and validation in a mouse model of traumatic brain ，细胞之间的混合状态直接计算轨迹还是有问题，但是寻因平台是可以参考的。
40620编辑于 2024-03-29- 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. Knowledge Graph Guided Heterogeneity-Informed Diffusion Model for Spatio-Temporal Generation5. ，知识图谱，扩散模型 5 Inter-Client Dependency Recovery with Hidden Global Components for Federated Traffic Prediction
72910编辑于 2026-03-10 - 来自专栏时空探索之旅
ICDE 2026 | 时空数据（Spatial-Temporal）论文总结（时空预测，POI推荐，轨迹，空间众包等）
ICDE 2026在2026年5月4日至8日在加拿大蒙特利尔（Montréal, Canada）举行。 本文总结了ICDE 2026有关时空数据（Spatial Temporal）的Research Track相关文章，共计21篇。 ICDE 2026录用列表：https://icde2026.github.io/accepted-papers.html 时空数据Topic：时空预测，POI推荐，用户轨迹链接（TUL），地图匹配，空间众包 Online Multi-Modal Spatio-Temporal Prediction: A Reinforcement Learning and Dynamic Contrastive Framework5. ，强化学习 5 VisiFold: Long-Term Traffic Forecasting via Temporal Folding Graph and Node Visibility 链接：https
45210编辑于 2026-04-02 - 来自专栏Leaflet
端午屈夫子祭-基于LeafLet的夫子一生时空轨迹纵览
2、人物轨迹时间线 屈原其人的生平活动轨迹时间线可以从百度百科中直接获取转换。 我们形成以下的四维导图： 二、时空轨迹界面设计1、界面设计为了从时间和空间两个角度来综合展示屈原夫子一生的轨迹，我们将整个展示界面分为四个部分。标题栏：这里直接以大标题的形式展示界面信息。 左边：界面左边将直观展示屈原一生的主要活动轨迹文字描述。中间地图及轨迹：将采用二维地图的形式展示地图信息，同时将屈原一生的轨迹线进行绘制时间轴：界面右下角直接展示不同的历史时期，以时间轴的形式展开。 jquery.js是一个es5的原生开发组件，这里功能较简单，暂不采用vue等新前端框架。 三、时空轨迹展示实现1、创建一个Html文件骨架文件 在电脑任一盘符下创建一个Html文件的骨架文件，这里引入必须得Css样式文件和Javascript脚本文件。关键代码如下所示：<!
12610编辑于 2026-05-05 - 来自专栏个人开发
5 张图带你彻底理解 RocketMQ 轨迹消息
为了方便跟踪消息发送和消费的轨迹，RocketMQ 引入了轨迹消息，今天一起来学习一下。 1 开启轨迹消息 默认情况下，RocketMQ 是不开启轨迹消息的，需要我们手工开启。 get trace data element from blocking Queue - traceContextQueue context = traceContextQueue.poll(5, 如果想要轨迹消息和业务消息隔离，可以专门用一个 Broker 来保存轨迹消息，这样需要单独在这个 Broker 上开启轨迹消息。 4 消费端处理 消费端对轨迹消息的处理跟生产端非常类似。 消费端轨迹消息的内容如下图： 5 总结 本文主要讲解了 RocketMQ 的轨迹消息实现机制。 轨迹消息分为生产端和消费端的轨迹消息，生产端和消费端 RocketMQ 都提供了构造函数来指定是否开启轨迹消息。
94520编辑于 2022-09-23 - 来自专栏时空探索之旅
IJCAI 2026 | 时空数据（Spatial-Temporal）论文总结【交通预测，轨迹预测，轨迹表示学习，天气预报，EEG，农业，自然灾害治理等应用 】
时空数据Topic：交通预测，轨迹预测，轨迹表示学习，天气预报，EEG，农业，自然灾害治理等应用等 IJCAI2026 accepted papers: https://2026.ijcai.org/accepted-papers Adaptive Spatiotemporal Prior Knowledge Embedding-Induced Transformers for Traffic Data Forecasting5. Wenfeng Zhou, Xiaoyun Xia, Xiangjie Kong, Guojiang Shen, Bin Chen, Fei Wu, Binbin Guo 关键词：交通预测，先验知识 5 One-Token Reconstruction for Universal Physiological Signal Self-supervised Learning 代码：https://github.com/5GYYYYY KunLiangChen/HyGNN 作者：Liangkun Chen, Xiang Li, Guiyuan Jiang, Zhongying Zhao, Junyu Dong, Yanwei Yu 关键词：时空移动轨迹
5910编辑于 2026-06-08 - 来自专栏拓端tecdat
Python多层LSTM优化Seq2Seq序列模型预测社交网站用户签到时空轨迹数据
p=42590 分析师：Shenyan Li 在数字化转型浪潮中，用户行为轨迹的时空预测成为智慧服务领域的核心命题。从智能交通的流量调控到商业场景的客群分析，精准捕捉用户签到模式的技术需求日益迫切。 Transformer模型：自注意力机制 尝试采用Transformer架构，通过多头自注意力层并行计算序列相关性，但实验发现其在时空轨迹预测中收敛困难，可能因缺乏位置编码导致空间特征建模不足。 可视化结果显示，Seq2Seq的时间预测曲线与真实值高度吻合（图5），空间预测点分布更贴近实际轨迹（图6）。 图5 训练损失分析对比 图6 签到时间预测对比 为进一步提升性能，对Seq2Seq模型进行超参数调优。 Sensors, 21(15), 5123. [5] Li, Y., et al. (2021).
48810编辑于 2025-06-11 - 来自专栏时空探索之旅
SIGMOD 2026 | 时空数据(Spatial-Temporal)论文总结【轨迹压缩，轨迹相似度计算，地理空间数据库，多模态大模型，数据清洗等】
SIGMOD 2026在2026年5月31日至6月5日在印度班加罗尔（Bengaluru, India）正在举行。 本文总结了SIGMOD 2026有关时空数据（Spatial Temporal）的相关文章，共计5篇，如有疏漏，欢迎补充。 时空数据Topic：轨迹压缩，轨迹相似度计算，地理空间数据库，多模态大模型，数据清洗等 1. Haitao Yuan (Nanyang Technological University)*; Gao Cong (Nanyang Technological University) 关键词：数据选择，轨迹相似度计算 Yu Sun (Nankai University)*; Shaoxu Song (Tsinghua University); Xiaojie Yuan (Nankai University) 关键词：时空数据
13510编辑于 2026-06-03 - 来自专栏时空探索之旅
WWW 2026 | 时空数据(Spatial -Temporal)论文总结(交通预测，人群移动，轨迹表示，城市感知，信控优化等)
Topic：交通预测（多模态，大模型等），人群移动预测，城市感知（智能体），信控优化，轨迹表示学习，城市规划等。 Cross-Domain Mamba with Multi-Scale Imaging and Granular-Ball Computing for Traffic Flow Prediction5. Computing for Traffic Flow Prediction 作者：Wenxia Chang, Chao Zhang, Wentao Li and Deyu Li 关键词：交通预测，跨域，Mamba 5 https://arxiv.org/abs/2409.02124 作者：Jinming Wang, Hai Wang, Hongkai Wen, Geyong Min and Man Luo 关键词：轨迹恢复 （禽流感）预测，异质图 推荐阅读 KDD 2025 | (2月轮)时空数据(Spatial-temporal)论文总结 KDD 2025 | (2月轮)时空数据(Spatial-temporal)论文总结
69810编辑于 2026-03-10 - 来自专栏新智元
【计算机图形学生成完美笑容】科学家根据时空轨迹生成“成功的微笑”
该研究的作者表示，使用3D计算机模拟有助于理解时空变化对面部表情的情感感知的影响。对于由于中风之类的疾病导致面部表情障碍的患者，这个研究的结果也对目前的面部康复护理和医疗有参考作用。 ? 我们发现一个成功的微笑可以通过各种不同的时空轨迹来表达，包括复杂的嘴巴角度的平衡，笑的程度和露出的牙齿，以及动态对称性。这些发现在各种领域有广泛的应用，如面部手术，康复治疗，计算机图形学和心理学。
89770发布于 2018-03-27 - 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. TEN-DM: Topology-Enhanced Diffusion Model for Spatio-Temporal Event Prediction5. (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(Time Series)论文总结[下]【分类，异常检测，
58310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：
54230发布于 2019-08-08 - 来自专栏小小挖掘机
时空序列问题概述
二、 什么是时空序列问题 时间序列和时空序列时常有朋友搞混，并且很多朋友都以为我只感兴趣时间序列问题，其实不然，时空序列问题包含了时间和空间两个方面的因素。 所以为什么说是时空序列问题？？ 举个例子，比如这个序列输入为5个序列，一般都是雷达回波图或者卫星图，卫星图是1999乘1999，但一般都resize成330乘330，或者512乘512，那就是一个序列为5乘512乘512乘1，那一个bachsize 2.3 时空序列模型 常用的有施行建博士的 ConvLSTM, 轨迹GRU 等等，以及利用上Unet-attention的时空序列模型，以及近年来的predrnn序列等等，虽然这个方向很少人研究，但是依然还是有很多力作持续输出 对于时空序列模型，这里说两个这个领域的大牛。 施行建博士。港中文大学。主要研究的方向是时空序列问题，时间维度为主，并且降水预测的应用。
90610发布于 2019-12-02 - 来自专栏时空探索之旅
ICLR 2026 | 时空数据(Spatial-Temporal)论文总结【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 2025共有19,000多篇投稿，录用5,359篇，录取率28.18%。 本文总结了ICLR 2026时空数据（Spatial-Temporal）的论文，总计36篇，本文涉及23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：上篇的所有文章统计值 最大均分 均值 最小均分 6.5 5.28 4 其中 均分≥6的有6篇 1. 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
33010编辑于 2026-03-10 - 来自专栏半杯茶的小酒杯
轨迹拼接(Trajectory Stitching)
对于控制来说，连续稳定的轨迹更利于控制下发指令的平滑性，避免车辆产生抖动。 实际测试表明，轨迹拼接(Trajectory Stitching)确实能够使实车的控制更加平滑。 轨迹规划模块以固定的频率进行, 我们使用了轨迹拼接的算法(Trajectory Stitching)保证相邻帧的轨迹在控制器看来是平滑的。 )； 如果上一周期的轨迹存在, 我们会根据当前系统时间 T, 在上一周期的轨迹中找到相对应的轨迹点, 然后我们进行一个比较, 比较这个轨迹点与定位模块获得的当前车辆状态的差异, 如果这个差异在一定范围内 这种机制保证了在控制误差允许的情况下, 做到相邻帧轨迹的平滑拼接. 在控制器看起来, 规划模块发出的轨迹是一小段一小段 dt 长度的轨迹光滑拼接起来的.
3.5K10编辑于 2022-06-23 - 来自专栏TSINGSEE青犀视频
车辆轨迹回放中如何实现轨迹信息表格的自动滚动？
TSINGSEE青犀视频目前正在研发基于车载视频监控的新功能，包括轨迹跟踪、轨迹回放等。 轨迹跟踪适用于车载监控场景，基于车内的车载监控装置，可以实时记录车辆的位置、行驶轨迹等信息，并且在轨迹回放中，能对车辆的行驶路线过程进行回放，掌握车辆的历史行踪。 需求： 轨迹信息表格为了能和地图上运动的轨迹点同步运动，需要滚动到对应的列并展示高亮。 实现方式： 1）在表格标签上加入ref，方便操作Dom元素。 TSINGSEE青犀视频基于JT1078协议与多年来在音视频流媒体领域的研发经验，围绕定位、轨迹回放、实时视频监控、驾驶行为监测、录音、智能报警等模块，打造出智能化、数字化、可视化的车载视频监控平台，助力
2.5K20编辑于 2022-04-24 - 来自专栏机器之心
全球十亿级轨迹点驱动，首个轨迹基础大模型来了
近日，来自于香港科技大学（广州）、南方科技大学、香港城市大学的联合研究团队整理了首个全球大规模轨迹数据集 WorldTrace，并基于该数据集训练了首个世界轨迹基础大模型 UniTraj，为交通领域内构建通用时空智能提供了一种全新的思路 在预训练过程中，作者设计了 4 种掩码策略，而模型的目标是恢复这些被掩蔽的轨迹点，从而帮助模型更好地理解和捕捉轨迹序列的时空关系。 随机掩码：按照一定的比率，随机掩盖一定数量的轨迹点。 随机掩码训练模型捕获一般时空模式，增强其对缺失数据点的鲁棒性。 块状掩码：掩盖轨迹内的连续数量点，模拟连续数据段可能缺失的场景。 模型架构 在模型架构设计方面，UniTraj 首先将重采样和掩码处理后的轨迹转换为结构化的嵌入，并利用 Transformer 块和旋转位置编码（RoPE）来捕捉轨迹中的时空关系。 在模型设计方面，其通过重采样和掩码策略，集成轨迹处理模块和灵活的编码器 - 解码器架构，有效地捕捉了轨迹数据中的复杂时空依赖性以应对各种不同的数据质量。
73800编辑于 2025-02-14 - 来自专栏单细胞天地
stLearn ：空间轨迹推断
为了发现组织过程——例如，回答哪个癌细胞或克隆最先出现，或者癌症是如何进化的——stLearn提供了一种称为伪时空(pseudo-space-time, PST)轨迹分析的算法。 对于轨迹的方向，用户可以根据组织中正在研究的生物过程来定义根节点。然后结合基因表达值和物理距离计算伪时空距离( pseudo-space-time distance，PSTD)。 st.spatial.trajectory.pseudotimespace_local函数可以构造局部轨迹, 该算法计算子类之间的时空距离。可以理解为亚群内部的轨迹（异质性）。 欲构建全局的轨迹可以用： st.spatial.trajectory.pseudotimespace_global(data,use_label="louvain",list_cluster=[0,3,4,5 有了在空间中的轨迹（形成不同的分支），我们肯定想知道哪些基因决定了这种轨迹，stLearn可以检测分支间过渡的marker gene。
3.4K20发布于 2021-01-12 课前准备---空间轨迹
作者，Evil Genius什么是空间轨迹？以一个空间位置为起点（例如上图的交界区域），沿着固定方向上的细胞、基因表达的变化。 还有如下的分析结果，沿着相同方向、以相同的区域为起点，分析细胞类型空间分布的轨迹变化。 以及如下的区域细胞/基因转换但我们最常见的空间轨迹分析如下：Indicated cell signatures from sc/snRNA-seq mapped onto the Visium zonation data我们需要实现的空间轨迹分析正是如此,分析示例(visium平台)import warningswarnings.filterwarnings("ignore")import scanpy as scimport pandas as pdimport SOAPy_st as spimport matplotlib.pyplot as plt# input adataadata = sc.read_h5ad
41320编辑于 2024-08-09
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