本文介绍了一种新的框架：Simple Spatio-Temporal Knowledge Graph (SSTKG)，用于构建和探索时空知识图谱。通过新的三步嵌入方法，将时空数据整合到知识图谱中，输出嵌入可用于未来时间序列预测和空间信息推荐，提供了对零售销售预测、交通量预测等多种应用的有价值的洞察。该框架简单而全面，能够增强预测的准确性和推荐的相关性，为知识图谱中时空数据的更有效利用铺平了道路，对多个领域具有潜在的影响。

Feb, 2024

本文介绍了 UUKG，即用于知识增强的城市时空预测的统一城市知识图谱数据集。通过构建 UrbanKGs 并分析其中的高阶结构模式，文章实现了对城市空间时间预测的知识增强，并展示了知识增强模型与不同任务场景下城市知识图谱嵌入方法的潜在联系，其公开的数据集和源代码可在此 https URL 获取。

Jun, 2023

通过建立一个新的名为 STComplEx 的 STKG 嵌入方法，从问题中提取时空信息，我们的 STCQA 模型可以更好地理解问题，并从 STKG 中检索准确答案。通过广泛的实验，我们展示了我们数据集的质量和我们 STKGQA 方法的有效性。

Feb, 2024

传统交通预测基于传感器数据的范围有限，综合交通管理方面存在不足。移动网络提供了一种有前途的替代方案，使用网络活动计数，但缺乏关键的方向性。因此，我们提出了 TeltoMob 数据集，其中包含无向电信计数和相应的方向流，以预测道路上的方向性移动流。为了解决这个问题，我们提出了一个两阶段的时空图神经网络（STGNN）框架。第一阶段使用预训练的 STGNN 处理电信数据，而第二阶段整合方向性和地理见解以进行准确预测。我们的实验证明了该框架与各种 STGNN 模型的兼容性，并证实了其有效性。我们还展示了如何将该框架融入现实交通系统，以增强可持续城市移动性。

May, 2024

MobGT 是一种基于图神经网络和移动性图转换器的算法，能够全面利用图来捕捉用户移动模式中的空间和时间特征，并通过引入针对空间 - 时间数据的新型损失函数解决了长尾问题。

Oct, 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

基于移动技术和位置感知社交网络中的 POI 推荐系统的知识图谱建模的研究，以及超关系和数据稀疏性的影响与解决方法的探讨。

Nov, 2023

为了准确预测人群中行人的轨迹，需一直考虑其与其他行人的社会 - 时间相互作用。我们提出了一种完整的、明确的捕捉并分析该信息的表示方法，即基于有向无环图的社会 - 时间图（STG）。利用 STGformer 模型，我们实现了端到端的流程，学习 STG 的结构用于轨迹预测，并在两个大规模基准数据集上取得了最先进的预测精度。统计数据表明，利用这种信息明确进行预测相对于仅使用轨迹的方法能够明显提高性能。

Dec, 2023

基于语言上下文信息利用知识图谱实现车道变更预测，并应用贝叶斯推理，预测车道变更两秒前的 f1 得分为 97.95%，领先于现有技术，三秒前的 f1 得分为 93.60%。

Dec, 2023

本研究提出了一种基于数字孪生的人类移动预测方法，将粗粒度预测与细粒度预测分为两个阶段，通过自动提取城市范围内的移动趋势和使用概率轨迹检索方法来实现预测。该方法在日本关东地区的真实 GPS 数据集上测试获得了良好的预测准确度和时间效率。

Jun, 2022