Page 420 - 《软件学报》2025年第4期

1826 软件学报 2025 年第 36 卷第 4 期

表 3 基于动态异质图的时空融合架构

方法 类型 算法描述 缺陷 应用
用门控卷积机制对时间信息进行提取, 并与用
基于不同关系得到的注意力矩阵计算得到的
[36]
HetETA 图结构是静态的, 不具有自适应性 预计到达时间
ChebNet局部滤波分别建模多关系道路网络和
基于轨迹的空间异构信息串联
根据地理邻近度和POI相似度对模内/模间关系 仅基于简单的加权对异质图中的点进
关系类型
[32]
MOHER 进行编码, 用跨模GCN并行提取不同模式的空 行信息聚合, 而没有自适应地考虑到 人群流量预测
感知
间信息, 并与提取时间信息的LSTM串联 相同关系下不同节点的重要性不同
根据经过节点、规划节点和扩展节点构建3种
T- 视图, 并引入加权的注意力机制计算同一视图 在图的规模较大时计算量增加 封路探测
Closure [34] 下不同节点的权重, 用门控融合空间信息并串
联LSTM提取时间信息
分别在空间和时间维度构建两种元路径, 并通
HAN [35] 过注意力机制构建空间和时间依赖性, 用张量 建模复杂, 需要额外的领域知识 缺失路况补全
外积和低秩分解融合时空信息
元路径感知
Assault
对3种空间关系和一种时间关系构建元路径, 并
STHAN [37] 在节点级和元路径级上使用注意力机制, 并与 未整合外部知识下的时间关系 交通需求预测
基于元学习的RNN时间预测块串联

4.3 基于动态超图的时空融合架构
在传统的简单图结构中, 每条边连接两个节点, 而超图中的超边可以连接多个节点, 便于捕捉更丰富的节点关
联模式. 目前有不少基于超图的研究, 如生物网络中的多元关系和社交网络中的互动. 随着研究的深入, 在时空数
据挖掘的应用领域, 也引入了一些基于动态超图的时空融合架构, 可将这类架构分为谱域方法和非谱域方法.

4.3.1 非谱域方法
为解决犯罪数据稀疏和犯罪数据分布的问题, Li 等人 [38] 提出了一个基于超图的学习框架 (ST-HSL), 如图 7,
它通过多视图的卷积网络捕获局部和全局的时空犯罪模式, 并引入了对比学习使局部和全局编码器相互协作监
督. 在这个模型中, 时间信息和空间信息通过串联的方式进行融合. 值得注意的是, 在空间维度的全局角度, ST-HSL
直接在超图上执行卷积, 该卷积不涉及将空域信息转换到谱域中, 因此属于非谱域方法.

Multi-view spatial-temporal convolutions Positive Negative
pair pair
W (R) W (T)
ˆ 2  (I)
||X−X T+1 || 2
discriminate
ψ
Conv Conv
Theft … Assault Theft … Assault  (C)
Spatial Conv Temporal Conv contrast readout
~
Conv Bias Drop Res Act H Γ Γ
shuffle
Temporal Theft Dynamic hypergraph
Act
H
(T) Act
H
Spatial Region-wise hypergraph
Spatial
… …
Battery Damage
…
t 1 t 2 T
Conv
Temporal relation encoding
图 7 ST-HSL 的时间卷积部分 [38]