本文总结了WWW 2026上有关时空数据（Spatial-Temporal）的相关论文，包含Research和Web4Good两个Track的论文，总计23篇，如有疏漏，欢迎补充。时空数据Topic：交通预测（多模态，大模型等），人群移动预测，城市感知（智能体），信控优化，轨迹表示学习，城市规划等。

本文提出了一种受认知神经科学启发的分层元认知监控智能体架构DS-MCM，用于解决大型语言模型在深度搜索任务中缺乏自我监控能力的问题。该框架通过快速一致性监控器和慢速经验驱动监控器的协同工作，实现了对推理-检索过程的动态调节。快速监控器轻量级检测内部推理与外部证据的一致性，慢速监控器则基于历史经验进行选择性干预。实验表明，DS-MCM在多步推理任务中显著提升了准确性和鲁棒性。该研究为增强AI智能体的

本文通过系统分析时间序列预测领域的四大关键设计维度（模型配置、预处理与外部变量、时间处理、空间处理），揭示了当前深度学习预测研究中的核心问题。研究发现，简单架构（如MLP）在合理设计下可匹配最先进模型性能，而许多复杂组件（如空间注意力）的实际贡献有限。论文呼吁优化基准测试流程，并提出预测模型卡片模板，以提高研究透明度和可比性，推动领域聚焦真正有效的设计原则。

ICDE 2026会议将在加拿大蒙特利尔举行，聚焦时间序列研究的5篇论文。研究主题涵盖预测、异常检测、数据压缩和分析。论文包括高频时间序列压缩方法、压缩数据的排序技术、针对污染训练数据的无监督异常检测方案，以及结合时频域的自适应去噪通用时序分析框架。这些研究提出了创新的时序数据处理方法，涉及模型压缩、信息提取、分解编码和融合分析等技术，为时间序列领域提供了新的解决方案。

本文提出VisionTS++模型，旨在解决预训练视觉模型迁移到时间序列预测时面临的数据模态、多变量预测和概率预测三大挑战。通过引入基于视觉模型的过滤机制筛选高质量数据、彩色多变量转换方法将时间序列映射为多子图RGB图像，以及多分位数预测技术实现不确定性感知，该模型在持续预训练后展现出强大的跨模态迁移能力。实验表明，VisionTS++在分布内和分布外预测任务中均显著优于现有方法，其中MSE指标提升

下一个兴趣点 (POI) 推荐任务是根据用户的历史数据来预测用户的下一次 POI 访问。基于位置的社交网络（LBSN）数据通常用于下一个 POI 推荐任务，但也面临着挑战。一项经常被忽视的挑战是如何有效地利用 LBSN 数据中存在的丰富上下文信息。以前的方法受到数值性质的限制，无法解决这一挑战。本文提出了一个使用预训练大语言模型（LLM）来应对这一挑战的框架。该框架允许我们以原始格式保存异构 LB

普遍存在的缺失值导致多元时间序列数据只有被部分观测，破坏了时间序列的完整性，阻碍了有效的时间序列数据分析。最近，深度学习插补方法在提高损坏的时间序列数据的质量方面取得了显着的成功，从而提高了下游任务的性能。在本文中，对最近提出的深度学习插补方法进行了全面的调查。首先，提出了所有调研的方法的分类，然后通过强调这些方法的优点和局限性来对这些方法进行结构化介绍。同时还进行了实证实验来研究不同的方法并比较

ACM MM 2025时间序列研究综述：本文总结了将于2025年10月在都柏林举办的ACM MM会议中关于时间序列分析的9篇前沿研究，涵盖预测、分类、异常检测和医疗时序等多个方向。重点包括：基于BERT架构的TimesBERT基础模型、DualSG双流预测框架、医疗时序分类中的知识增强方法Foresail、无监督异常检测模型，以及心电图基准测试等创新工作。这些研究展现了时间序列分析领域的最新进展，

阿里巴巴提出了一种新型时间序列预测框架 YINGLONG，采用非因果双向注意力机制及掩码token恢复训练方法，通过延迟链式推理（DCoT）和多输入集成方法，有效提升了预测精度和泛化能力，在多个数据集上取得了优异的性能表现。

本文研究大语言模型（LLM）在时间序列分析中的表现，提出TSAIA基准评估LLM在多步推理和复杂任务中的能力。基准涵盖预测、诊断、分析和决策四大类33种任务类型，涉及能源、金融等多个领域。实验发现，尽管LLM在简单任务上表现尚可，但在复杂任务（如约束预测、阈值校准、金融指标计算）中普遍失败，尤其在多步推理、数值精度和约束满足方面存在瓶颈。通过对8个SOTA模型的统一评测，揭示了当前LLM的局限性，