近日，bet356亚洲版在线体育师生的多项研究成果被人工智能领域顶级期刊Artificial Intelligence (CCF A) ，数据挖掘领域顶级期刊IEEE Transactions on Knowledge and Data Engineering (CCF A) 和人工智能国际顶级会议AAAI Conference on Artificial Intelligence (CCF A) 接收。Artificial Intelligence (AIJ) 是人工智能、机器学习领域的国际顶级学术期刊，该期刊每年仅发表百余篇论文，影响因子为14.4，被中国计算机学会推荐为A类学术期刊，IEEE Transactions on Knowledge and Data Engineering (TKDE) 是数据挖掘领域的国际顶级学术期刊，影响因子为8.9，被中国计算机学会推荐为A类学术期刊。AAAI Conference on Artificial Intelligence (AAAI) 是人工智能领域的顶级会议，被中国计算机学会推荐为A类国际学术会议，AAAI2024会议共接收9862篇投稿，录用文章2342篇，录用率为23.75%。科研成果介绍如下：

1.DualST：双轨时空学习用于准确交通流量预测。本成果是由我校宫永顺教授带领的科研团队完成的学术文章“Dual-track Spatio-temporal Learning for Urban Flow Prediction with Adaptive Normalization”，该文章被顶级国际期刊AIJ接收，并且是我校作为第一作者单位在AIJ中首次发表。文章的第一作者为我校硕士研究生李晓宇，通讯作者为我校教授宫永顺。

该研究提出目前大多数交通预测方法未能充分考虑真实场景的复杂时空语义信息。现有模型主要存在以下三个主要限制，一是大多数模型将整体时间信息投影到相同的特征空间中，忽略了不同时段的语义差别；二是现有方法倾向于从局部（如周围环境）捕捉空间依赖性，而忽略了全局影响因素；三是时空序列的动态性和不稳定性会对预测结果造成扰动，从而导致模型性能下降。为了解决以上问题，该研究提出了一个双轨时空学习模块，用于精确的城市流量推断。该方法同时建模时序的周期性和趋势性，可有效区分时间维度上的语义信息，同时利用自监督学习方法建模全局空间特征，并采用时空自适应归一化来降低扰动，提升预测结果的稳定性。该研究在两个典型的城市流量数据集上进行了详尽的实验和评估，实验结果表明该研究具有出色的性能和稳定性。该研究成果在城市计算和交通预测领域显示出显著的创新性和突破性，为复杂的交通流量预测研究提供了指导。

论文链接：https://www.sciencedirect.com/science/article/abs/pii/S0004370224000018

2.STCWF：用以天气预测的时空增强对比和上下文学习。本成果是由我校宫永顺教授带领的科研团队完成的学术文章“Spatio-Temporal Enhanced Contrastive and Contextual Learning for Weather Forecasting”，该文章被顶级国际期刊TKDE接收，文章的第一作者为我校教授宫永顺，通讯作者为我校教授尹义龙。

该研究提出现有的天气预测方法可分为两类：理论驱动和数据驱动方法。理论驱动方法需要利用超级计算机对大气模型中的物理演化过程进行复杂模拟，而大多数数据驱动方法通过深度学习模型从历史天气记录中学习潜在规律。然而，一些数据驱动方法简单地将所有监测站的天气变量视为一个整体，未能更细粒度地利用不同气象站点之间的复杂相关性，而另一些方法则倾向于构建具有大量可学习参数的大型神经网络。为了缓解这些缺陷，该研究提出了一种时空对比自监督方法和一种生成式上下文自监督模型，从站点级和变量级分别捕获空间和时间依赖性。通过这些精心设计的自监督任务，该研究提出的网络可以有效捕获随时间变化的天气变化。该研究还提出了一种基于编码器-解码器的微调框架，包括三个自监督编码器。该研究在四个真实世界天气条件数据集进行的大量的实验，实验结果表明该研究提出的方法显著优于现有的最先进模型，并且广泛评估验证了每个自监督任务的可行性。

论文链接：https://ieeexplore.ieee.org/abstract/document/10423196

3.ReCP：基于对比预测机制的城市区域表征学习。本成果是由我校陈勐副教授带领的科研团队完成的学术文章“Urban Region Embedding via Multi-View Contrastive Prediction”，该文章被顶级国际会议AAAI2024接收，文章的第一作者为我校硕士研究生李泽辰，通讯作者为我校副教授陈勐。

该研究提出现有城市区域表征研究在捕捉多视角数据一致性方面存在不足。现有模型往往遵循相同的流程：先分别构建单视角表征，然后利用某些融合技术来融合多个表示，形成最终的区域表征。然而这类基于融合的方法在生成最终区域表征时忽略了不同视图之间的一致性。直观地说，一个区域的多个视图所包含的信息通常高度相关，因此它们的表征也应保持一致性。为了解决以上问题，该研究利用城市兴趣点和人类移动数据，通过探索视图间的一致性来解决城市区域的多视图嵌入问题。该研究提出基于一致性的多视图区域嵌入学习范式，通过视图间的信息交换来实现多视图表征的自然融合。模型由两个模块组成：视图内学习模块，利用对比学习和特征重构来学习每个视图的特定区域表征；视图间学习模块，利用对比学习和双向预测来增强视图之间的一致性。该研究利用真实数据集在两个下游任务上进行了实验验证，结果表明，所提出的模型均优于现有方法。

论文链接：https://arxiv.org/abs/2312.09681

（文/图:李晓宇、宫永顺 责任编辑:戴鸿君）