点击蓝字
关注我们
AI TIME欢迎每一位AI爱好者的加入!
精确实现城市中异常事件的预测,在智能城市中智能交通以及城市公共安全的应用中起着重要的作用。为实现该目的,研究工作从以下两个重要层面对时空数据进行建模: 1)学习异常事件在时间维度上的动态和高阶属性;2)不同维度数据模型(时间、空间以及语义维度)的交互的特性。在发表于IJCAI 2020的论文《Cross-Interaction Hierarchical Attention Networks for Urban Anomaly Prediction》中,黄超等提出了一种基于交互注意力机制的时空数据预测模型(CHAT),通过异构注意力模块的协同作用,可以实现对城市异常事件在不同维度上呈现出来的不同数据模式的自动学习。通过在实际时空数据上的实验测试,证明他们所提出的新算法相较于现在的算法呈现出更优的预测效果。本次报告,我们非常荣幸地邀请到博士毕业于美国圣母大学、现任京东美国硅谷研究院研究科学家的黄超,为大家详细介绍他们的这项研究工作。
黄超:博士毕业于美国圣母大学,现任京东美国硅谷研究院研究科学家。目前主要的研究方向主要为人工智能,数据挖掘,时空数据分析,推荐系统。在KDD, WWW, AAAI, IJCAI, SIGIR, CIKM, WSDM等数据挖掘和人工智能领域顶级会议发表论文30余篇。其中计算机学会A类14篇。以第一作者发表的论文曾获得WWW’2019最佳论文提名。与此同时,担任了KDD, WWW, AAAI, IJCAI, SIGIR, WSDM, CIKM, ICLR等会议的评审委员会委员,以及TKDE, TOIS, TIST, TOC, TKDD, TNNLS等期刊的长期审稿人。并且被WSDM’2020会议授予优秀评审奖。
一、背景
顾名思义,时空数据是同时具有空间和时间两个维度的数据。在收集数据时,除了数据本身的特性,还包括数据是何时发生的以及数据从何而