近日，計(jì)算機(jī)科學(xué)與工程學(xué)院（網(wǎng)絡(luò)空間安全學(xué)院）時(shí)空大數(shù)據(jù)與智能團(tuán)隊(duì)科研和人才培養(yǎng)工作再傳捷報(bào)。由2022級(jí)博士研究生饒漩、2023級(jí)博士研究生周偲琳、2023級(jí)碩士研究生丁重鈞撰寫的4篇論文相繼被人工智能頂會(huì)WWW 2025、KDD 2025和頂刊IEEE Trans. on Knowledge and Data Engineering接收。
饒漩以第一作者撰寫的論文《Seed: Bridging Sequence and Diffusion Models for Road Trajectory Generation》（作者：饒漩、商爍〔通訊作者〕、姜仁河、韓鵬、陳力思）和丁重鈞以第一作者撰寫的論文《Parallel Online Similarity Join over Trajectory Streams》（作者：丁重鈞、李科、陳力思、商爍〔通訊作者〕）被數(shù)據(jù)挖掘頂會(huì)WWW 2025（The 34th International World Wide Web Conferences）接收。WWW位列CCF推薦會(huì)議A類，本年度投稿量超過2000篇，僅收錄409篇，接收率僅為19.8%。
饒漩的論文主要研究路網(wǎng)軌跡生成問題，提出的Seed方法將序列模型和擴(kuò)散模型結(jié)合為條件擴(kuò)散模型，利用序列模型提取路段的移動(dòng)規(guī)則，擴(kuò)散模型則將這些規(guī)則作為引導(dǎo)條件來生成下一個(gè)路段。在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果充分驗(yàn)證了所提出方法的有效性。
丁重鈞的論文主要研究在大規(guī)模數(shù)據(jù)流上的軌跡相似性實(shí)時(shí)連接問題，通過將時(shí)間感知的指數(shù)衰減因子引入時(shí)空相似性函數(shù)，確保了軌跡連接結(jié)果的實(shí)時(shí)、動(dòng)態(tài)更新，從而有效消除了過時(shí)的結(jié)果。本文提出的基于矩陣的分區(qū)方案與動(dòng)態(tài)負(fù)載平衡算法，有效地對(duì)軌跡流進(jìn)行分區(qū)，同時(shí)最小化數(shù)據(jù)冗余。為了提高效率，在空間和時(shí)間維度上實(shí)現(xiàn)了多級(jí)剪枝技術(shù)，加速了軌跡時(shí)空相似性計(jì)算。此外，本文還提出了一個(gè)近似算法，優(yōu)化了軌跡相似性的合并過程，基于真實(shí)世界數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果充分驗(yàn)證了所提出框架的效率與可擴(kuò)展性。
周偲琳以第一作者撰寫的論文《Grid and Road Expressions Are Complementary for Trajectory Representation Learning》（作者：周偲琳、商爍〔通訊作者〕、陳力思、韓鵬、Christian S. Jensen）被數(shù)據(jù)挖掘頂會(huì)SIGKDD Conference on Knowledge Discovery and Data Mining（KDD2025）接收。KDD位列CCF A推薦會(huì)議A類，本年度接收率僅為19%。
周偲琳的論文主要關(guān)注軌跡大數(shù)據(jù)分析。軌跡記錄物體（如車輛或行人）的運(yùn)動(dòng)，分析軌跡數(shù)據(jù)對(duì)理解移動(dòng)模式至關(guān)重要，有助于解決許多現(xiàn)實(shí)問題，包括交通優(yōu)化、交通管理、行人移動(dòng)性分析。這些問題依賴于一組基本的軌跡操作，如軌跡分類、出行時(shí)間估計(jì)，軌跡相似度計(jì)算。軌跡表示學(xué)習(xí)的任務(wù)是學(xué)習(xí)可變長度軌跡的通用向量表示，以支持多種軌跡下游任務(wù)?，F(xiàn)階段工作都是在基于GPS軌跡的基礎(chǔ)上，利用生成的道路軌跡，或者生成的網(wǎng)格軌跡進(jìn)行軌跡表示學(xué)習(xí)，然而這種方式只能提供有限的運(yùn)動(dòng)模式信息。為了解決這個(gè)問題，本文將網(wǎng)格軌跡和道路軌跡利用多模態(tài)學(xué)習(xí)聯(lián)合表示，提出了一種新穎的軌跡表示多模態(tài)框架GREEN。首先道路軌跡利用路網(wǎng)信息和連續(xù)性特性學(xué)習(xí)道路軌跡表示，網(wǎng)格軌跡利用區(qū)域信息和網(wǎng)格內(nèi)GPS點(diǎn)屬性學(xué)習(xí)網(wǎng)格軌跡表示。在這兩種單獨(dú)軌跡表示的基礎(chǔ)上，GREEN利用多模態(tài)技術(shù)融合兩種軌跡表示，從而大幅度提升軌跡表示的準(zhǔn)確性。在兩個(gè)百萬規(guī)模數(shù)據(jù)集和三個(gè)下游任務(wù)的實(shí)驗(yàn)表示，GREEN的平均性能能夠提升15.99%，并且同時(shí)具備高效的訓(xùn)練速度。
饒漩以第一作者撰寫的論文《Next Point-of-Interest Recommendation with Adaptive Graph Contrastive Learning》（作者：饒漩、姜仁河、商爍〔通訊作者〕、陳力思、韓鵬、姚斌、Panos Kalnis）被人工智能頂刊IEEE Trans. on Knowledge and Data Engineering（TKDE）接收，該期刊位列CCF推薦期刊A類，常年接收率低于20%。
本篇論文主要研究下一個(gè)興趣點(diǎn)推薦問題，提出的AGCL方法利用多個(gè)適應(yīng)性的興趣點(diǎn)轉(zhuǎn)移圖來學(xué)習(xí)更全面的興趣點(diǎn)表征，并通過對(duì)比學(xué)習(xí)進(jìn)一步提升興趣點(diǎn)的表征能力，從而實(shí)現(xiàn)更高的推薦準(zhǔn)確率。在基準(zhǔn)數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果充分驗(yàn)證了所提出方法的有效性。
計(jì)算機(jī)科學(xué)與工程學(xué)院（網(wǎng)絡(luò)空間安全學(xué)院）時(shí)空大數(shù)據(jù)與智能團(tuán)隊(duì)由國家級(jí)青年人才商爍教授于2019年創(chuàng)建，近年來圍繞大數(shù)據(jù)、大模型、智能時(shí)空計(jì)算、智能防災(zāi)減災(zāi)等方向開展廣泛而深入的研究。團(tuán)隊(duì)現(xiàn)累計(jì)已有4名國家級(jí)青年人才，博士、碩士研究生40余人，累計(jì)發(fā)表相關(guān)研究領(lǐng)域CCF A類論文150余篇，承擔(dān)2項(xiàng)國家重點(diǎn)研發(fā)計(jì)劃和6項(xiàng)國家自然科學(xué)基金重點(diǎn)項(xiàng)目。其中商爍教授、陳力思教授已先后入選全球前2%頂尖科學(xué)家榜單（World’s Top 2% Scientists），研究成果獲江西省科技進(jìn)步一等獎(jiǎng)、福建省科技進(jìn)步一等獎(jiǎng)。
文章來源：電子科技大學(xué)
