时空大数据与AI在城市中的应用
推荐：Urban Computing, Yu Zheng, 2019
城市时空大数据
描述个体行为–>描述群体动态
城市计算的体系架构
- 数据收集
- 数据管理与建模方法
- 数据结构（点/图）/时间空间（静态/动态）
- 时间空间性建模（RNN/注意力机制）/空间相关性建模（CNN/GNN）
- 常见人物与应用场景
- 时空数据预测，e.g.交通流预测，个体移动预测
- 时空数据表示学习，将原始时空数据转化为ML模型更易理解的表征的过程
- 时空数据分类，e.g.土地利用分类，轨迹分类
- 时空数据异常检测
时空AI的发展历程
- “百家争鸣”：以时间序列为主/以CNN为主/其他网络(DBN/SAE)
- “统一范式”：同时建模空间和时间依赖性，RNN+GCN e.g. Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting[2018]
- “前沿视角”：动态变化的时间依赖性/空间依赖性（Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction，Graph wavenet for deep spatial-temporal graph modeling），时空的异质性（不同区域不同参数：Matrix Factorization for Spatio-Temporal Neural Networks with Applications to Urban Flow Prediction，元学习（meta learning）：Urban traffic prediction from spatio-temporal data using deep meta learning，自监督学习：Spatio-Temporal Self-Supervised Learning for Traffic Flow Prediction）
时空AI面临的挑战
- 泛化性：在困难、极端情况下的精度,e.g. Spatio-Temporal Neural Structural Causal Models for Bike Flow Prediction, Maintaining the Status Quo: Capturing Invariant Relations for OOD Spatiotemporal Learning
- 具体场景的可解释性，e.g. STDEN: Towards Physics-Guided Neural Networks for Traffic Flow Prediction
- 数据方面：数据稀疏性/非全量感知/数据丢失
- 模型层面：大一统模型？如Transformer之于NLP