IJCAI 2023 |时空数据(Spatial-Temporal)论文

2024-03-10 05:10

本文主要是介绍IJCAI 2023 |时空数据(Spatial-Temporal)论文,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

IJCAI23
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。

目录

  1. Open Anomalous Trajectory Recognition via Probabilistic Metric Learning
  2. Learning Gaussian Mixture Representations for Tensor Time Series Forecasting
  3. Minimally Supervised Contextual Inference from Human Mobility: An Iterative Collaborative Distillation Framework
  4. Towards an Integrated View of Semantic Annotation for POIs with Spatial and Textual Information
  5. Reinforcement Learning Approaches for Traffic Signal Control under Missing Data
  6. InitLight: Initial Model Generation for Traffic Signal Control Using Adversarial Inverse Reinforcement Learning
  7. GPLight: Grouped Multi-agent Reinforcement Learning for Large-scale Traffic Signal Control
  8. (Demonstrations Track) Automated Planning for Generating and Simulating Traffic Signal Strategies

标题与摘要结合的词云
🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘!🚀
欢迎大家关注时空探索之旅时空探索之旅QRCode

1. Open Anomalous Trajectory Recognition via Probabilistic Metric Learning

作者:Qiang Gao; Xiaohan Wang; Chaoran Liu; Goce Trajcevski; Li Huang; Fan Zhou

机构:西南财经大学、电子科技大学、爱荷华州立大学

论文链接:https://www.ijcai.org/proceedings/2023/0233.pdf

代码:https://github.com/ypeggy/ATROM

研究内容:轨迹异常检测、度量学习

摘要:通常,被认为异常的轨迹是偏离通常驾驶模式(交通规则制定)的轨迹。 然而,这种封闭的环境无法识别未知的异常轨迹,导致自我激励的学习范式不足。 本文研究了开放世界场景(ATRO)中的新异常轨迹识别问题,并引入了一种新的概率度量学习模型 ATROM来解决该问题。 具体来说,ATROM 除了识别已知行为之外,还可以检测未知异常行为的存在。 提出相互交互蒸馏方法,使用对比度量学习来探索有关不同行为意图的交互语义,以及概率轨迹嵌入,迫使具有不同行为的轨迹遵循不同的高斯先验。 更重要的是,ATROM 提供了一种概率度量规则,通过利用多个先验的近似来区分已知和未知的行为模式。 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. Learning Gaussian Mixture Representations for Tensor Time Series Forecasting

作者:Jiewen Deng; Jinliang Deng; Renhe Jiang; Xuan Song

机构:南方科技大学、悉尼科技大学、东京大学

论文链接:https://www.ijcai.org/proceedings/2023/0231.pdf

代码:https://github.com/beginner-sketch/GMRL

研究内容:时空预测,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。 与近年来备受关注并取得巨大进展的时间序列或多元时间序列建模相比,张量时间序列付出的努力要少一些。 由于其高维且复杂的内部结构,正确处理张量时间序列是一项更具挑战性的任务。 本文开发了一种新颖的 TTS 预测框架,该框架旨在对时间、位置和源变量中隐含的每个异质性成分进行单独建模。 将该框架命名为 GMRL,是高斯混合表示学习的缩写。 两个真实世界 TTS 数据集的实验结果验证了方法与最先进的基线相比的优越性。

GMRL

3. Minimally Supervised Contextual Inference from Human Mobility: An Iterative Collaborative Distillation Framework

作者:Jiayun Zhang; Xinyang Zhang; Dezhi Hong; Rajesh K. Gupta; Jingbo Shang

机构:加州圣地亚哥分校(UCSD),伊利诺伊大学厄巴纳-香槟分校(UIUC),亚马逊

论文链接:https://www.ijcai.org/proceedings/2023/0272.pdf

代码:https://github.com/jiayunz/STColab

研究内容:人类移动性

摘要:移动数据中有关行程和用户的背景信息对于移动服务提供商了解其客户并改进其服务非常有价值。 现有的推理方法需要大量的标签进行训练,这在实践中很难满足。 本文研究了一种更实用但更具挑战性的设置——在最少监督的情况下使用移动数据进行上下文推理(即每个类有几个标签和大量未标记数据)。 典型的解决方案是应用遵循自训练框架的半监督方法来引导基于所有特征的模型。 然而,使用有限的标记集会给自训练带来过度拟合的高风险,从而导致性能不理想。 本文提出了一种新颖的协作蒸馏框架 STCOLAB。 它在每次迭代时按照真实标签的监督顺序训练空间和时间模块。 此外,它使用其他模态的最新训练模块产生的逻辑将知识提炼到正在训练的模块,从而相互校准两个模块并结合来自两种模态的知识。 对两个真实世界数据集的广泛实验表明,STCOLAB 比各种基线实现了更准确的上下文推理。

STCOLAB

4. Towards an Integrated View of Semantic Annotation for POIs with Spatial and Textual Information

作者:Dabin Zhang; Ronghui Xu; Weiming Huang; Kai Zhao; Meng Chen

机构:山东大学、南洋理工大学、乔治亚州立大学

论文链接:https://www.ijcai.org/proceedings/2023/0271.pdf

研究内容:兴趣点(POI)推荐

摘要:兴趣点(POI)类别从位置搜索、POI推荐等多个方面促进基于位置的服务。 然而,POI的类别往往是不完整的,并且不断产生新的POI,这就提出了对POI进行语义标注的需求,即用语义类别来标记POI。 以前的方法通常对用户的顺序签到信息进行建模,以学习 POI 特征进行注释。 然而,现实中很难获得用户的签到,尤其是对于那些新创建的POI。 在此背景下,本文提出了静态 POI 的空间文本 POI 注释 (STPA) 模型,该模型仅使用 POI 的地理位置和名称来派生 POI 类别。 具体来说,设计了一个基于 GCN 的空间编码器来对 POI 之间的空间相关性进行建模,以生成 POI 空间嵌入,并设计一个基于注意力的文本编码器来对 POI 的语义上下文进行建模,以生成 POI 文本嵌入。 最终融合两个嵌入并保留多视图相关性以进行语义注释。 利用 AMap 的 POI 数据进行了全面的实验来验证 STPA 的有效性。 实验结果表明,STPA 大大优于几个竞争基线,这证明 STPA 是一种在地图服务中注释静态 POI 中有效的方法。

STPA

5. Reinforcement Learning Approaches for Traffic Signal Control under Missing Data

作者:Hao Mei; Junxian Li; Bin Shi; Hua Wei

机构:新泽西理工学院,西安交通大学,亚利桑那州立大学

论文链接:https://www.ijcai.org/proceedings/2023/0251.pdf

研究内容:信控优化,缺失数据

摘要:强化学习(RL)方法在交通信号控制(TSC)任务中的出现取得了可喜的成果。 大多数强化学习方法需要观察环境,让智能体决定哪种行动对于长期奖励来说是最佳的。 然而,在现实城市场景中,由于缺乏传感器,交通状态的缺失观测可能经常发生,这使得现有的强化学习方法不适用于缺失观测的路网。 在这项工作中,目标是在现实环境中控制交通信号,其中道路网络中的一些交叉口没有安装传感器,因此周围没有直接观察。 本文是第一个使用强化学习方法来解决现实环境中的 TSC 问题。 提出了两种解决方案:1)估算流量状态以实现自适应控制。 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. InitLight: Initial Model Generation for Traffic Signal Control Using Adversarial Inverse Reinforcement Learning

作者:Yutong Ye; Yingbo Zhou; Jiepin Ding; Ting Wang; Mingsong Chen; Xiang Lian

机构:华东师范大学,同济大学,肯特州立大学

论文链接:https://www.ijcai.org/proceedings/2023/0550.pdf

研究内容:信控优化

摘要:本文提出了一种基于对抗逆强化学习(AIRL)的交通信号控制预训练方法InitLight,能够有效生成预训练模型。该方法可仅使用多个单交叉路口数据集进行预训练,并通过智能体生成轨迹与专家轨迹进行对抗学习获得奖励函数,以还原各路口最优状态下的真实奖励。通过方法预训练可获得具有较强泛化性的预训练模型,并可迁移到其他多路口数据集上作为初始模型加速深度强化学习训练过程。

InitLight

7. GPLight: Grouped Multi-agent Reinforcement Learning for Large-scale Traffic Signal Control

作者:Yilin Liu; Guiyang Luo; Quan Yuan; Jinglin Li; Lei Jin; Bo Chen; Rui Pan

机构:北京邮电大学,西安电子科技大学

论文链接:https://www.ijcai.org/proceedings/2023/0023.pdf

研究内容:信控优化

摘要:使用多智能体强化学习(MARL)方法来协调交通信号灯(CTL)已经变得越来越流行,将每个路口视为一个智能体。 然而,现有的 MARL 方法要么对待每个智能体绝对同质,即每个智能体具有相同的网络和参数,要么对待每个智能体完全异构,即每个智能体不同的网络和参数。 这在准确性和复杂性之间造成了困难的平衡,尤其是在大规模 CTL 中。 为了应对这一挑战,提出了一种名为 GPLight 的分组 MARL 方法。 首先考虑实时交通流和静态细粒度道路拓扑,挖掘智能体环境之间的相似性。 然后,提出两种损失函数来维持可学习和动态的聚类,一种使用互信息估计来获得更好的稳定性,另一种则最大化组之间的可分离性。 最后,GPLight 强制组中的智能体共享相同的网络和参数。 这种方法通过促进同一组智能体内的合作来降低复杂性,同时反映组之间的差异以确保准确性。 为了验证方法的有效性,在合成数据集和真实数据集上进行了实验,其中有多达 1,089 个交叉点。 与最先进的方法相比,实验结果证明了提出的方法的优越性,特别是在大规模 CTL 中。

GPLighjt

8. (Demonstrations Track) Automated Planning for Generating and Simulating Traffic Signal Strategies

作者:Saumya Bhatnagar; Rongge Guo; Keith McCabe; Thomas McCluskey; Francesco Percassi; Mauro Vallati

机构:赫德福特大学,Simplifai Systems

论文链接:https://www.ijcai.org/proceedings/2023/0830.pdf

研究内容:信控优化

摘要:人们对使用人工智能技术进行城市交通控制越来越感兴趣,特别关注交通信号优化。 基于模型的方法(例如规划)被证明能够实时处理意外或异常的交通状况以及常见的交通模式。 此外,此类技术所依赖的生成交通信号策略的知识模型实际上是交通的模拟模型,因此交通当局可以使用它来测试和比较不同的方法。 在这项工作中,提出了一个依赖于自动化规划来生成和模拟城市地区交通信号策略的框架。 从部署在英国柯克利斯地区主干道的传感器收集的真实世界数据进行实验,验证了该框架的有效性。

Traffic Signal Strategies

相关链接

ICDE 2024 接收论文:https://icde2024.github.io/papers.html

ICDE 2023 时空数据论文

SIGMOD 2023 时序&时空数据论文

VLDB 2023 时空&时序论文汇总

ICLR 2024 | 时空数据(Spatial-Temporal)论文汇总

ICLR 2024 时间序列(Time Series)论文总结

NeurIPS 2023 时间序列(Time Series)论文总结

NeurIPS 2023 时间序列预测论文总结

NeurIPS 2023 时空数据论文总结

NeurIPS 2023 时空预测论文总结

ICML 2023 时序和时空论文总结

ICML 2023 时间序列预测和时空预测论文总结

ICLR 2024投稿时空数据论文汇总

ICLR 2024 时间序列(Time Series)高分论文

KDD 2023时空数据相关论文

SIGIR 2023 时空数据论文总结

WWW 2023 时空数据论文汇总

AAAI 2024 时序和时空论文总结

IJCAI 2023 时空数据论文

ICDM 2023 时空数据&时间序列论文总结

WSDM 2023 2024时空&时序论文总结

ECML PKDD 2023 时空数据论文

CIKM 2023 时空数据论文总结

🌟【紧跟前沿】“时空探索之旅”与你一起探索时空奥秘!🚀
欢迎大家关注时空探索之旅时空探索之旅QRCode

这篇关于IJCAI 2023 |时空数据(Spatial-Temporal)论文的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/793155

相关文章

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

基于MySQL Binlog的Elasticsearch数据同步实践

一、为什么要做 随着马蜂窝的逐渐发展,我们的业务数据越来越多,单纯使用 MySQL 已经不能满足我们的数据查询需求,例如对于商品、订单等数据的多维度检索。 使用 Elasticsearch 存储业务数据可以很好的解决我们业务中的搜索需求。而数据进行异构存储后,随之而来的就是数据同步的问题。 二、现有方法及问题 对于数据同步,我们目前的解决方案是建立数据中间表。把需要检索的业务数据,统一放到一张M

关于数据埋点,你需要了解这些基本知识

产品汪每天都在和数据打交道,你知道数据来自哪里吗? 移动app端内的用户行为数据大多来自埋点,了解一些埋点知识,能和数据分析师、技术侃大山,参与到前期的数据采集,更重要是让最终的埋点数据能为我所用,否则可怜巴巴等上几个月是常有的事。   埋点类型 根据埋点方式,可以区分为: 手动埋点半自动埋点全自动埋点 秉承“任何事物都有两面性”的道理:自动程度高的,能解决通用统计,便于统一化管理,但个性化定

使用SecondaryNameNode恢复NameNode的数据

1)需求: NameNode进程挂了并且存储的数据也丢失了,如何恢复NameNode 此种方式恢复的数据可能存在小部分数据的丢失。 2)故障模拟 (1)kill -9 NameNode进程 [lytfly@hadoop102 current]$ kill -9 19886 (2)删除NameNode存储的数据(/opt/module/hadoop-3.1.4/data/tmp/dfs/na

异构存储(冷热数据分离)

异构存储主要解决不同的数据,存储在不同类型的硬盘中,达到最佳性能的问题。 异构存储Shell操作 (1)查看当前有哪些存储策略可以用 [lytfly@hadoop102 hadoop-3.1.4]$ hdfs storagepolicies -listPolicies (2)为指定路径(数据存储目录)设置指定的存储策略 hdfs storagepolicies -setStoragePo

Hadoop集群数据均衡之磁盘间数据均衡

生产环境,由于硬盘空间不足,往往需要增加一块硬盘。刚加载的硬盘没有数据时,可以执行磁盘数据均衡命令。(Hadoop3.x新特性) plan后面带的节点的名字必须是已经存在的,并且是需要均衡的节点。 如果节点不存在,会报如下错误: 如果节点只有一个硬盘的话,不会创建均衡计划: (1)生成均衡计划 hdfs diskbalancer -plan hadoop102 (2)执行均衡计划 hd

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

AI hospital 论文Idea

一、Benchmarking Large Language Models on Communicative Medical Coaching: A Dataset and a Novel System论文地址含代码 大多数现有模型和工具主要迎合以患者为中心的服务。这项工作深入探讨了LLMs在提高医疗专业人员的沟通能力。目标是构建一个模拟实践环境,人类医生(即医学学习者)可以在其中与患者代理进行医学

pandas数据过滤

Pandas 数据过滤方法 Pandas 提供了多种方法来过滤数据,可以根据不同的条件进行筛选。以下是一些常见的 Pandas 数据过滤方法,结合实例进行讲解,希望能帮你快速理解。 1. 基于条件筛选行 可以使用布尔索引来根据条件过滤行。 import pandas as pd# 创建示例数据data = {'Name': ['Alice', 'Bob', 'Charlie', 'Dav