利用 GPS 信息收集了大量的地理轨迹信息，本文提出了高效的算法从中生成准确的地图，严格评估表明与现有工作相比，增加了 Biagioni f-score 并将执行时间减少了一个数量级，并开放源代码以便其他研究人员借鉴。

Feb, 2017

通过层级循环网络输出结构化多段线，我们提出了一种用于在线道路网络提取的方法，并以新型可微分损失函数度量模型预测结果和真实路径的偏差。实验表明，该方法可在 90 公里的公路上正确恢复 92% 的拓扑结构。

Dec, 2020

本文利用空间 — 时间城市知识图谱中的移动轨迹，特定地点类别信息及时间信息，设计了一个模型，旨在解决基于知识图谱技术的用户的远期移动预测问题，提高了预测精确度。同时，对 POI 类别作为背景知识和辅助信息的实验结果表明，可帮助提升预测精度。

Nov, 2021

本文提出一种空间异质性感知图神经网络（SHGNN）来处理具有高空间异质性得城市图，并通过在三个真实世界的城市数据集上进行广泛的实验证明了其优越性。

Jun, 2023

本研究提出了一种新的框架，即 SpatioTemporal-Augmented gRaph 神经网络（STAR），以建模地点的动态时空影响和优化人类移动轨迹的生成过程，结果优于现有最先进的方法。

Jun, 2023

提出了一种细粒度的流式数据综合框架，将稀疏用户分类为中尾、长尾和极端用户，并设计了 LLMs 来全面理解流式数据中的三个关键图元素，包括局部 - 全局图理解、二阶关系提取和产品属性理解，从而生成高质量的合成数据以有效应对不同类别的稀疏性。实验结果表明，在三个真实数据集上，通过合成数据显著提高了性能，MSE 分别减少了 45.85％，3.16％和 62.21％。

Mar, 2024

该论文提出了一种新方法，简化步态基础性别估计的空间 - 时间图表示，提高了解释性，同时没有损失性能。通过使用直通 Gumbel-Softmax 技巧，我们的模型可进行端到端训练。在 CASIA-B 数据集上验证了我们方法的有效性，得到的图形可解释性强，与现有模型中使用的固定图形有明显差异。我们的研究促进了步态识别的可解释性和任务特定适应性，推动了更高效可靠的基于步态的生物识别技术。

Oct, 2023

我们在这篇论文中提出了一种名为 “mspace” 的在线算法，用于预测时态图中的节点特征，该算法巧妙地捕捉到不同节点之间的空间交叉相关性以及节点内部的时间自相关性。与基于图神经网络（GNN）模型和传统卡尔曼滤波器等各种基准方法进行了比较评估，结果表明 mspace 与最先进的方法相当甚至在某些数据集上超越它们。此外，mspace 在训练样本规模不同的数据集上表现出一致的鲁棒性，这是 GNN 方法无法实现的优势，而 GNN 方法需要大量的训练样本才能有效地学习数据中的时空趋势。因此，在训练样本有限的情况下使用 mspace 是有优势的。另外，我们还建立了关于 mspace 的多步预测误差的理论上限，并表明它按 $O (q)$ 的速度缩放，其中 $q$ 是预测的步数。

Jan, 2024

多源空间点数据预测的创新性框架将各种数据整合起来，不依赖地面真实标签，并通过引入 “可信度分数” 和地理位置感知图神经网络等技术有效地解决评估数据质量和建模空间关系的挑战，其在真实和合成数据集上的严格测试结果表明其优越性能。

Jun, 2024

本文提出了一种自动监测和分析复杂地理对象演变的方法，该方法利用约束满足问题检测频繁的子图来分析以时空图为模型的对象，并在实际应用中取得了较好的效果。

May, 2023