ST_group的博客

船舶交通流量(Vessel Traffic Flow,VTF）是对如航道或港口水域活动水平的定量评估。其定义为给定时间单位内通过特定位置的船舶总数。船舶密度高表明目标区域的 VTF 数据突然增加或高于传统的历史值，从而增加船舶碰撞风险或造成航道拥堵。VTF 预测研究可以预测特定水域内船舶密度的变化，以判断是否可能发生拥堵并增加碰撞风险的概率。未来的 VTF 数据与历史数据的变化特征紧密相关，因此数据驱动预测方法是当前主流研究方向。AIS 数据可以帮助收集统计 VTF 数据，为预测研究提供关键支撑。

该篇文章主要系统地解决三个主要问题：(1)船舶轨迹预测问题本质的研究综述问题（2）提高预测精度的网络结构创新性问题（3）不同交通场景的综合评价指标设计问题。提出的模型是 Triple Bidirectional Enhanced Network (TBENet)，采用独特的三层架构，由 BiGRU，BiLSTM 和 BiGRU 层组成。BiGRU 层因为门控机制能有效地捕获短期依赖关系；中间的 BiLSTM 层位于 BiGRU 层之间，可以有效地处理长期依赖关系。

随着大模型的出圈，AI再一次成为业界热点，近两年时序数据库领域也不断在探索时序数据库能给AI带来什么价值，本文尝试做一下分析。

本篇论文是是2022年发表在数据库领域顶级会议VLDB上的一篇文章，作者为香港科技大学团队。论文提出了一种兼顾完整性和效率的多样路径规划算法，并且在真实的城市路网中进行了效果评估。能够有效指导在实践中的应用。

本篇论文来自2022年的WSDM会议，主要聚焦了利用语言模型来进行流量预测问题，通过将流量预测问题转换为类似prompt的操作，提升流量预测问题建模的可拓展性和通用性。虽然目前在LLM的快速发展下，各个领域类似的工作已经较多地涌现出来，但该论文应该是较早探索这种范式的工作之一，部分方法依然值得参考借鉴。

本文提出的LLM4TS架构如下图所示。以GPT-2为backbone，图中左侧（a）部分是第一阶段——监督微调阶段，使用自回归方法将主干模型与时间序列数据对齐；图中右侧（b）部分是第二阶段——下游任务微调。下面对本文提出的两阶段微调方法进行详细解释。

本文将历史地铁客流分为三种模式（近期、每日和每周）。近期模式表示最近的时间，每日模式和每周模式表示不同日期或周的目标时间的客流历史情况。不同的模式融合有助于研究周期性时间片对目标时间地铁客流的影响。预测过程如下图所示：本文建立了一个混合神经网络模型GCTN来解决地铁客流预测问题。除了捕捉时空相关性外，该模型还考虑了不同时间步长车站之间的相关性，以加强长期客流预测。

Text embedding space of LLM (TEST)总共分为两步：（1）将TS token化，并训练编码器一个encoder，用对比学习表征TS tokens；（2）创建prompts，使LLM对表征更开放，并实现TS任务。

本文是由中科院大学2022年发表于VLDB会议的一篇文章，作者创新地提出了一种解耦时空框架——DSTF，提升了模型在交通流预测任务中的性能，并在两个真实数据集上进行了验证。作者通过将先验知识融合进模型结构中，从而提升模型性能的思路值得借鉴，以下对论文进行分享介绍。

本文是由清华大学2022年发表于ICLR会议的一篇文章，作者创新地提出了一种新的无监督时序异常检测模型——Anomaly Transformer，该模型在服务器监测、地空探索、水流观测等应用中均展现出了优秀的异常检测结果。

随着定位技术的不断发展，导致大量的时空数据产生，例如 GPS 设备、手机等，这些设备会定时记录使用者的地理位置。目前各类成熟的数据库大多已支持空间类型和空间索引,比如 Postgresql（关系型）、ElasticSearch(文档型)、Redis(内存型)等，或者一些 KV 数据库比如 HBase，其自身不支持，但 GeoMesa 插件让它支持了空间能力，而在时序数据库领域，空间类型和空间索引支持还有限。

本文推荐的是由清华大学、蒙纳士大学和北京大学2022年共同发表于WSDM会议的一篇文章，作者创新的提出了一种新的图卷积双注意力网络框架Graph ConvolutionalDual-attentive Networks (GCDAN)，用以提升人类用户移动预测的准确性。

时频一致性（TF-C）的核心思想是确定一个在时间序列数据集中保留的通用属性，并使用它来诱导迁移学习以进行有效的预训练。时域显示传感器读数如何随时间变化，而频域显示在整个频谱的每个频率分量中有多少信号。在高容量方法的情况下，这种方法是足够的，因为时域和频域是同一数据的不同视图，可以使用变换进行交叉转换，如傅立叶和逆傅立叶。基于信号处理理论，这两个域之间的关系提供了一种不变性，无论时间序列分布如何都是有效的，因此可以作为预训练的归纳偏置。基于上述思路，论文作者构建的整体模型结构如下图所示。

SQL语言是一种申明式的语言，不要求用户具备大量的程序语言基础和编程逻辑思维，只需要使用SQL语言准确表达想获取的最终结果，因此使用门槛比较低。并且SQL语言的规范当前已经比较成熟，几乎很少会变化，带来了使用上的稳定性。因此，对于数据库而言，为了其易用性和用户的广泛性，大部分的数据库产品都会提供SQL语言的接口。时序数据库作为数据库的一种特殊类型，也具有广大用户对SQL语言支持的强烈诉求。时序数据库是否支持SQLTDEngine支持TimeScale支持GaussDB支持IOTDB。

Nonstationary Transformers 涉及两个互补部分：Series Stationarization 以增强时间序列的平稳性以获得更好的可预测性，以及 De-stationary Attention 以重新合并原始序列的非平稳信息以防止过度平稳化。在这些设计的支持下，Non-stationary Transformers 可以同时提高数据的可预测性和模型能力。

本文提出了方法框架——Quaternion Transformer——可以处理复杂的周期模式，并且打破长时间序列预测的计算效率瓶颈，主要目标是对复杂的周期模式进行建模，以实现准确的时间序列预测。框架如下图所示，其中learning-to-rotate attention (LRA) with quaternion用于对时间序列复杂的周期依赖进行建模；trend normalization和layer normalization类似，但强调隐藏层中序列表示的缓慢变化趋势；

本文提出的重卡货运行程终点识别方法架构如下图2所示：图中主要步骤如下：Step1，使用预定的速度阈值从GPS轨迹中识别重卡驻留点（见图2中的步骤1）。如果重卡的速度为零，则认为车辆是静止的。由于GPS漂移的影响，计算出车辆的平均速度通常不为零，本文使用确定的速度阈值从GPS轨迹中识别重卡驻留点（即GPS平均速度小于速度阈值则认为是驻留点）；Step2，确定多级时间阈值，并根据重卡的最大停车时间选择一个合适的时间阈值，从重卡驻留点中确定行程终点。

该论文在2022年7月22日发表于Transportation Research Part C期刊，作者是来自于深圳科技大学和阿拉巴马大学的四位学者。了解新能源电动出租车（ET Electric Taxi）充电活动的 "时间、地点和原因"，对于优化电动共享交通服务的规划和运营有着较大的意义。准确了解电气化共享出行服务的充电动态，可以协助城市交通设施的优化运营和规划。本篇论文以深圳市大规模电动出租车队的充电行为数据为依据，重点对充电活动的上述三方面时间地点和原因。

本文提出的重卡货运行程终点识别方法架构如下图2所示：图中主要步骤如下：Step1，使用预定的速度阈值从GPS轨迹中识别重卡驻留点（见图2中的步骤1）。如果重卡的速度为零，则认为车辆是静止的。由于GPS漂移的影响，计算出车辆的平均速度通常不为零，本文使用确定的速度阈值从GPS轨迹中识别重卡驻留点（即GPS平均速度小于速度阈值则认为是驻留点）；Step2，确定多级时间阈值，并根据重卡的最大停车时间选择一个合适的时间阈值，从重卡驻留点中确定行程终点。

定义1.1 路径恢复问题给定一个路网和一段行程的移动对象𝑜，路线恢复问题旨在恢复𝑜所走的路线𝑝。其中是一个具有经纬度坐标的位置，𝜏是一个时间标记。定义1.2 区域恢复问题给定一个路网和一段行程的移动对象𝑜，区域恢复问题旨在恢复一个区域，即𝐺的子网络𝐺′，它包含了𝑝所走过的路线。