基于神经解聚的城市时空数据综合
本文提出一种基于聚合学习范式的方法，对人口普查进行高分辨率的细粒度分析，以此来评估人口数量的动态变化以及气候、自然灾害、基础设施投资、发展政策等对人口数量的影响。我们的简单可解释模型在某些指标上已超越最先进技术，证明该方法的有效性。
Jun, 2019
通过提出一种基于 Transformer 的扩散模型（TDDPM）来解决时间序列生成模型在处理移动性数据时的限制和挑战，并在新的综合基准测试中显示了显著的改进和扩展性。
Jun, 2024
本文提出了一种基于深度神经网络的 UrbanFM 方法，通过粗粒度的输入生成细粒度的人流分布，进而实时推断城市内的人流情况。在实验中，与七个基线方法相比，UrbanFM 方法在真实数据集上表现出了最先进的状态，在推断细粒度城市流问题上表现得非常有效和高效。
Feb, 2019
该研究介绍了对城市空间时间数据进行有效管理和预测的工作，包括引入了一种统一的存储格式，对多样化的数据集进行了验证，提供了城市空间时间预测模型的技术进展综述，进行了广泛的实验以建立性能排行，并指出了有前景的研究方向。这项工作有效地管理了城市空间时间数据，指导未来的努力，并促进了准确高效的城市空间时间预测模型的发展，可能会对城市空间时间数据管理和预测做出长期贡献，最终提高城市居民的生活水平。
Aug, 2023
本文提出了一种城市流量监测的方法，通过粗块观测来推断城市的实时和精细化的人流，使用 UrbanFM 模型实现精细流的分布。UrbanPy 模型的逐步推理功能可优化 UrbanFM 的效率和性能。
Feb, 2020
本文提出了一种统一的 Spatio-Temporal Graph Convolution Network (USTGCN) 模型用于交通预测，该模型具有通过频谱计算实现的时空图表达和历史模式的捕捉等优点，并在实验中证明了其超越了现有模型，同时减少了培训时间。
Apr, 2021
通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。
Apr, 2023
城市转型对个人和社区产生了深远的社会影响。本研究通过收集大规模的街景时间序列数据集，提出了一种端到端的变化检测模型，能够有效捕捉城市环境的实际变化，为城市转型的精细评估提供了可能。
Jan, 2024