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

地理空间活动与土地利用类型之间存在相关性。提出一种新颖的自监督方法，基于运动活动时间序列对景观进行分层。时间序列信号首先转换到频域，然后通过压缩自编码器转换为与任务无关的时间嵌入，该方法保留了时间序列中观察到的循环时间模式。通过深度语义分割，将像素级嵌入转换为类似图像的通道，可用于基于任务的异模态建模和下游地理空间任务的建模。实验证明，时间嵌入是时间序列数据的语义有意义的表示方法，并且在不同的任务中如分类住宅区和商业区等有着良好的效果。时间嵌入将时空运动轨迹数据转换为语义有意义的类似图像的张量表示，可以与其他数据模态（如 RBG 图像、道路网络的图嵌入、被动采集的 SAR 图像等）相结合进行多模态学习，从而促进地理空间计算机视觉中的多模态学习。多模态计算机视觉对于训练地理空间特征检测的机器学习模型以保持地理空间映射服务实时更新是至关重要的，可以显著提高用户体验和用户安全。

Oct, 2023

本篇论文研究了基于 saliency 的可解释性方法在时间序列数据上的应用，提出并比较了多种 saliency 方法在不同神经网络结构上的性能，并提出多种指标进行评估，发现常规的网络结构和 saliency 方法难以可靠和精确地识别时间序列数据中特征的重要性，这主要是由于时间和特征领域的混淆所导致的，但使用文中提出的两步形式的时间 saliency rescaling 方法可以显著提高 saliency 图的质量。

Oct, 2020

我们提出了一种动态时空数据汇总技术，它能够识别关键时间步骤中的信息特征并融合不太相关的特征，从而在保留数据动态性的同时最小化存储需求。利用信息论度量指导融合过程，我们展示了该技术在多样化数据集中的灵活性，并在粒子流模拟、安全监控应用和免疫系统中的生物细胞相互作用等领域提供了深入的洞察力。我们的研究在数据管理领域做出了重要贡献，引入了提高效率和深入见解的方法，可应用于原址分析和事后分析，从而解决数据存储和 I/O 开销不断增加的挑战，同时释放出决策的潜力。我们的方法使研究人员和专家能够探索重要的时间动态，同时最小化存储需求，从而促进对复杂数据行为的更有效和直观的理解。

Oct, 2023

本研究基于频谱分析提出了一种新方法，可用于检测视频中的时间空间视觉显著性，具有高效和易于实现的特点；并且探讨了这种显著性如何应用于检测异常情况和兴趣点，实验结果证明了该方法在这些任务中的有效性。

Mar, 2015

基于人员流动数据的大时空模型提供了用户描述、区域分析和轨迹生成等领域潜在的发展机会。

Nov, 2023

本文介绍了一种自我监督的地理位置表示学习技术，使用无标注的 GPS 轨迹学习地理位置的语义特征并为地理计算机视觉任务提供特征表示，通过将 GPS 轨迹建模为地球表面的一些节点或像素，使用卷积、收缩自编码器学习压缩地理位置的可达性嵌入并取得了显著性能提升。

Oct, 2022

对于时间序列分类，本文广泛分析了时间序列特征和时间归因的显著性解释模型的一致性和鲁棒性，并发现它们在各种程度上都存在一些缺乏一致和鲁棒性的问题。通过指出有缺陷的显著性解释模型，我们激励了对时间序列分类开发一致和鲁棒的解释方法。

Sep, 2023

本研究探讨了视觉亮点在指导无人机监测任务中用户注意力方面的作用，采用了用于观察的模拟界面。实验结果显示，这种亮点能够显著加快对应区域的视觉注意力。基于此观察，我们利用亮点中的时空信息开发了一种新的显著性模型：亮点驱动显著性模型 (HISM)，用于推断亮点条件下的视觉注意力变化。我们的发现表明，视觉亮点在增强用户注意力方面非常有效，并展示了将这些线索纳入显著性预测模型的潜力。

May, 2024

提出了一种新型的推荐系统，TimelyRec，通过考虑用户偏好的不同的时间模式和其他特征（即周期性与演化）来联合学习用户偏好的异质性时间模式并利用一种注意力模块，进而提供及时的推荐，实验结果表明该方法在实现及时推荐时表现出色。

Apr, 2021