CCDM 2024—时空智能计算论坛

随着感知技术和移动应用的蓬勃发展，大规模时空数据被实时收集起来，并对智慧交通、城市优化、社区检测、气候科学等众多领域注入了新的创新发展。如何将这些大规模的时空数据应用于多种实际应用中是一个有前景的问题，同时，多源时空异构数据、复杂时空表示、大规模时空数据存储为时 空智能计算带来了新的挑战。此次论坛邀请了国内时空智能计算领域的杰出学者，他们将带来最前沿的研究成果和技术进展的分享。

论坛主持人                                                                                                                                                                                    

主持人简介：宫永顺，山东大学教授，泰山学者青年专家，山东省优青。近三年主持国家自然科学基金、山东省优秀青年科学基金等项目9项。研究兴趣主要包含时空数据分析与挖掘、智慧交通、智慧城市计算、深度学习、机器学习理论、自然语言处理等。发表高水平论文60余篇，涵盖TPAMI、Artificial Intelligence、TKDE、SIGKDD、IJCAI、AAAI、NeurIPS、CVPR等。担任CCF 人工智能与模式识别专委会秘书，山东省人工智能学会理事。

主持人简介：陈勐，山东大学副教授，入选山东大学青年学者未来计划。研究方向包括时空数据挖掘、城市计算等。近些年发表学术论文40余篇，其中以第一作者/通讯作者发表CCF A类和IEEE/ACM Trans.学术文章10余篇。先后主持国家自然科学基金、山东省自然科学基金以及企业重大横向项目等。担任MDM 2021 PhD Forum Chair，TOIS、TKDE、TITS等国际期刊审稿人以及SIGKDD、SIGIR、AAAI、IJCAI、CIKM、WSDM等国际会议PC Members。

报告1：AI赋能的时空数据计算：进展与展望                                                                                                                               

报告人简介：高云君，浙江大学求是特聘教授，博士生导师，国家杰出青年科学基金获得者（2020）、国家优秀青年科学基金获得者（2015）。研究方向为数据库、大数据管理与分析、DB与AI融合，已发表CCF A类论文150余篇，出版专著4部，授权专利20项，登记软著4项，并获ICDE等会议最佳/优秀论文5次，省部级或全国性学会科技进步特等/一等奖3项。现为ACM中国SIGSPATIAL分会副主席，全省大数据智能计算重点实验室主任，浙江大学软件学院副院长。担任TKDE、JCST、FCS、《计算机研究与发展》等期刊编委/副编辑，VLDB、SIGSPATIAL、WISE等10余个顶级/重要国际学术会议程序委员会/Workshop/Tutorial/宣传/出版/本地（共同）主席，SIGMOD、VLDB、ICDE、SIGKDD、SIGIR等会议（资深）程序委员会委员。培养多名博/硕士生获省部级或全国性学会优秀博/硕士学位论文奖8次以及KDD Cup 2022风电预测（Wind Power Forecast）赛道全球冠军。

报告摘要：随着5G与物联网等技术的快速发展，来自智慧城市和基于位置服务等领域的时空数据呈爆炸式增长，这些数据刻画了城市的各个层面信息，譬如交通流量、人群活动、气象变化等。因此，如何高效地进行时空计算以充分释放时空数据要素价值，已成为国内外研究热点，受到了学术界和工业界的普遍重视。然而，由于时空数据具有规模庞大、特征复杂、实时动态等特性，传统的时空数据处理技术面临计算效率低下、特征挖掘不足、算法迁移受限等挑战，阻碍了时空数据作为新质生产力所发挥的重要作用。鉴于此，报告人负责团队以数据库与大数据处理技术为基础，结合人工智能方法，对海量多源异构时空数据进行智能管理与分析，包括嵌入表征、智能压缩、相似性学习以及深度挖掘等。本报告围绕AI赋能的时空数据计算，先浅谈讲者对时空大数据智能管理与分析的思考，而后介绍负责团队近年来在这方面的研究进展及未来展望。

报告2：时间序列和时空数据驱动的决策智能                                                                                                                                 

报告人简介：杨彬，华东师范大学，数据科学与工程学院，教授，国家级领军人才。之前就任于丹麦奥尔堡大学, 工程技术学院 （2022年USNews全球大学排名奥尔堡大学工科排名欧洲第一，世界第八）杰出科学家，计算机系终身教授，丹麦独立研究基金会Sapere Aude科学家（丹麦杰青）。主要研究领域涵盖决策智能，时间序列分析，时空数据分析、数据管理和分析，AI for Science等。在数据库和人工智能等领域的重要会议和期刊发表论文90余篇，研究成果已经广泛应用于丹麦、中国、德国、荷兰、希腊和塞浦路斯的相关企业和政府部门。

报告摘要：时间序列和时空数据驱动的决策智能旨在以时间、空间两大维度为牵引，对多源异构的多模态时序和时空数据进行高效治理和智能分析，进而有效支撑数据驱动的决策，赋能智慧城市、智能交通、数字能源、智能运维等应用。报告人将围绕“数据-治理-分析-决策”这一研究范式展开，分别介绍多模态的时序时空数据基础和以提高数据质量为目标的数据治理方法，对数据分析方法的通用性、自动化、鲁棒性、可解释性和轻量化进行阐述，最后介绍不同类型的数据驱动的决策策略。

报告3：复杂交通场景下多视角和多模态协同感知                                                                                                                           

报告人简介：李浥东，现任北京交通大学计算机与信息技术学院副院长、教授、博士生导师，交通大数据与人工智能教育部重点实验室主任，移动专用网络国家工程研究中心先进计算技术研究所所长。入选国家级人才计划、交通部重点领域创新团队、北京交通大学“卓越百人二层次”等。2003年本科毕业于北京交通大学信息与通信工程系。2006年和2011年在澳大利亚阿德莱德大学分别获得硕士和博士学位。研究方向主要在大数据智能、数据治理与隐私保护、先进计算、智能交通系统等。已在国际主要学术期刊(包括IEEE TIFS、TKDE、TITS、TC等)和会议(包括SIGKDD、CVPR、AAAI等)上发表学术论文200余篇。任中国计算机学会理事、杰出会员、智慧交通分会秘书长、YOCSEF AC主席(2021-22)，中国自动化学会控制理论专业委员会副秘书长， IEEE CRFID学会副主席等。担任IEEE ITS Magazine和《电子学报》等期刊编委，以及20多个国内外学术会议的大会主席、程序委员会主席等。

报告摘要：在现代城市交通系统中，复杂的交通场景给交通管理和智能交通系统带来了巨大挑战。为了有效地应对这些挑战，需要利用多视角和多模态的信息来进行协同感知。本讲座将探讨如何通过结合不同传感器和数据源，如摄像头、激光雷达、车载传感器等，从多个视角获取信息，以及如何利用不同模态的数据，如图像、视频等，进行综合分析和理解。我们将介绍基于注意力机制的方法，来实现多模态信息的融合和处理。此外，我们还将讨论如何将多模态数据转化为对交通场景更高层次的理解，例如行人、车辆、道路状态等的语义建模，以及协同感知可能面临的挑战和未来发展方向。

报告4：时空人工智能：概念、方法与应用                                                                                                                                     

报告人简介：张钧波，现任京东智能城市研究院人工智能实验室主任、京东科技总监，中国计算机学会青年科技奖获得者，Elsevier中国高被引学者，北京市科技新星计划。长期从事人工智能、时空数据挖掘、城市计算等领域的科技创新和产业化应用工作，领衔的城市AI产品已在数十个智慧城市项目应用落地。主持国家重点研发计划课题等多项科研课题，在AI Journal、IEEE TKDE、KDD、AAAI、IJCAI等国际知名期刊和会议上共发表论文80余篇，被引用9700余次，最高单篇他引超2000次；出版专著2部；申请发明专利百余项、授权30多项。连续四年入选AI 2000人工智能全球最具影响力学者提名，连续四年入选全球前2%顶尖科学家。荣获教育部自然科学二等奖、CCF科学技术奖科技进步杰出奖，连续两届荣获中国专利优秀奖。指导团队荣获CCF“第十届大数据与计算智能大赛”全国综合特等奖（第一唯一）。担任国际权威期刊ACM TIST编委。ACM/IEEE/CCF高级会员，CCF-AI执行委员。

报告摘要：随着城市化进程的推进，以及移动互联网、5G、物联网等新一代信息技术的快速发展，智能城市等领域的时空数据呈现爆发式增长。相较于图像、文本和语音数据，时空数据具有独特的时空属性，包括时间上的临近性、周期性和趋势性，以及空间上的临近性、空间距离和层次特性。通用人工智能技术往往对这些时空属性的理解和支撑不足，导致对时空数据的挖掘和分析能力受限。时空人工智能是针对时空数据的专有人工智能技术，能够有效捕捉时空属性，并加以应用。在本次讲座中，将结合实际智能城市需求，介绍时空人工智能的概念与方法，探讨如何将人工智能技术应用到智能城市以解决实际问题，促进城市智能化转型。

报告5：TrajGPT：面向城市时空位置数据的大模型建模与预测                                                                                                     

报告人简介：王静远，北航计算机学院教授、兼任北航经管学院兼聘教授，博士生导师。国家自然科学基金优青项目获得者，北京市应急管理领域青年学科带头人。担任北航经管学院数据智能研究中心（DIG）副主任，数据智能与智慧管理工信部重点实验室责任教授，“北航－首信”智慧城市与数据要素创新联合实验室主任。长期从事时空数据挖掘与智慧城市管理的相关研究。获得教育部技术发明一等奖，全国科技系统抗击新冠肺炎疫情先进集体负责人，北京市抗击新冠肺炎疫情先进个人。主持和参与国家重点研发计划、国家自然科学基金等国家级项目十余项。出版学术专著2部，发表学术论文50余篇，包括PNAS等综合类顶刊，IEEE TKDE、IEEE TMC、IEEE ICDE、ACM TOIS、ACM SIGKDD、AAAI、Ubicomp等人工智能、数据挖掘顶级期刊会议，以及UTD24期刊Journal of Finance等。获得WGDC全球前沿科技青年科学家、《管理世界》期刊优秀论文奖、DMKD最佳论文奖等荣誉。

报告摘要：大模型作为人工智能技术的最前沿成果，已经在文本处理、图像处理、多模态等多类型数据处理方面有了非常好的表现和及其广泛的应用。然而，现有的各类大模型对于位置、轨迹等时空位置数据的兼容性较为一般，使用大模型解决智慧城市中的各类时空位置数据应用“认字、识图、不认路”的问题。与此同时，随着大模型时代的到来，使用单一模型解决多任务正在成为一种趋势，实现多模态大模型对于时空数据的兼容成为一项AI技术和时空数据应用领域共同关心的内容。在这样的背景下，我们提出了一种从表征融合的角度实现多模态大模型与时空数据结合的方案，设计了能过够应对多种时空轨迹任务的TrajGPT通用模型原型系统，其在多类型时空预测任务上都获得了优异的性能。此外，本报告还将围绕城市大数据和AI大模型融合的路径和挑战进行相关讨论。