随着城市的不断发展，城市计算通过利用不同来源（例如地理、交通、社交媒体和环境数据）和模态（例如时空数据，视觉和文本模态）的跨域数据融合的力量，成为可持续发展的关键学科。最近，看到利用各种深度学习方法促进智慧城市跨域数据融合的上升趋势。为此，提出了第一篇综述——系统地回顾了为城市计算量身定制的基于深度学习的数据融合方法的最新进展。具体来说，首先深入研究数据视角，以理解每种模式和数据源的作用。其次，将

2024 KDD（ ACM SIGKDD Conference on KnowledgeDiscovery and Data Mining, 知识发现和数据挖掘会议）在2024年8月25日-29日在举行。本文总结了KDD2024有关的相关论文，如有疏漏，欢迎大家补充。：时空（交通）预测, 生成，拥堵预测，定价预测，气象预测，轨迹生成，预测，异常检测，信控优化等KDD 2024 时空数据(Spati

KDD 2025将在2025年8月3号到7号在加拿大多伦多举行，本文总结了KDD 2025(August Cycle)有关时空数据（Spatial-Temporal）相关文章，共计17篇，其中1-12为Research Track，13-17为ADS Track。**时空数据Topic：时空预测，轨迹表示学习，轨迹生成，轨迹模拟，信控优化等。如有疏漏，欢迎补充！

ICML 2025聚焦时空数据研究，涵盖18篇相关论文，主题包括时空预测、气象模拟、轨迹生成等。

ICLR 2025将在2025年4月24日到28日于新加坡举行。ICLR 2025共有11,565篇投稿，录取率32.08%。本文总结了2025 ICLR上有关时空数据(Spatial-Temporal)相关论文。如有疏漏，欢迎大家补充。：时空预测（交通，气象），时空动力学等。（ICLR更多的是交通数据以外的物理驱动的深度学习以及AI4Science的时空数据，笔者能力有限，囊括了更为广义的时空数

机器学习技术现已成为智能城市服务进步不可或缺的一部分，在提高城市环境的效率、可持续性和宜居性方面发挥着至关重要的作用。最近ChatGPT等基础模型的出现，标志着机器学习和人工智能领域的革命性转变。它们在情境理解、解决问题和适应各种任务方面无与伦比的能力表明，将这些模型整合到城市领域可能会对智慧城市的发展产生变革性影响。尽管人们对城市基础模型（Urban Foundation Models, UFM

行程时间估计是智能交通系统的重要组成部分，影响着导航、叫车和路线规划等各种应用。传统的行程时间估计方法依赖于主观判断、有限的数据源和简单的建模技术。由于数据挖掘和机器学习的最新进展，许多数据驱动的方法被用来解决传统方案中出现的问题，并表现出卓越的性能。在本文中，我们对数据驱动的出行时间估计方法进行了全面的调查，包括应用场景、时空建模方法和数据表示学习技术。为了支持和促进该领域的进一步研究，本文提供

ECML PKDD是CCF B类会议，也是机器学习和数据挖掘顶会，录用率约为24%，大会将于2023年9月18日-22日意大利都灵举行。本文总结了3个track（Journal，Research，ADS）有关时空数据的论文，如有遗漏欢迎大家补充。

智能交通系统（ITS）在缓解交通拥堵、降低交通事故发生率以及提升城市规划效率等方面扮演着至关重要的角色。但由于交通网络结构的复杂性，传统的机器学习及统计方法正逐渐显得不足以应对这些挑战。随着人工智能时代的来临，深度学习框架在众多领域取得了突破性的进展，并且被广泛认为是解决这些复杂问题的有效手段。特别是自2019年以来，图神经网络（GNNs）因其在处理图结构数据方面的卓越性能，在ITS领域显示出巨大

本文总结了SIGMOD 2024有关时间序列（time series）,包括时序数据库，查询优化等内容。以及时空数据（spatial-temporal data）的相关论文，主要包含时空时空数据管理，时空数据挖掘，数据库等内容，如有疏漏，欢迎大家补充。笔者对DB了解浅薄，如有表述不当，欢迎大家指正。