AAAI 2025将在2025年2月25日到3月4日于美国费城（ Philadelphia, Pennsylvania, USA）举行。AAAI 2025共有篇投稿（Main Technical Track），共录取了篇论文，录取率本文总结了2025 AAAI上有关时空数据（spatial-temporal）相关论文。：交通预测，插补，轨迹生成，轨迹表示学习，POI推荐，POI表示学习，车辆调度等

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

本文总结了ICLR 2026中23篇时空数据相关论文，涵盖交通预测、城市科学、气象预测等领域。论文平均评分为5.28分，其中6篇均分≥6分。重点研究包括基于Koopman算子的交通流预测、多模态地理表征学习框架MoRA、事件驱动的人类移动生成模型ELLMob等。这些工作展现了时空数据分析在智能交通、城市计算等领域的创新应用，特别是结合大语言模型和深度学习的新方法。完整论文列表及评分详见正文。

ICML 2026将在2026年7月6日—11日于韩国首尔（Seoul, South Korea）举行。本文总结了2026 ICML上有关时空数据（Spatial-Temporal）相关论文。如有疏漏，欢迎大家补充。注：笔者将分为上下2篇推文来总结，本文主要涉及时空数据中有关气象数据，物理时空等论文。本文时空数据Topic：天气预报，物理时空，LLM/MLLM等的应用等。

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

NeurIPS 2025总结了51篇时空数据相关论文，涵盖时空预测、轨迹挖掘、自动驾驶、天气预测等多个领域。收录论文包括基于大语言模型的轨迹建模（如TrajAgent、UniTraj）、交通信号控制（VLMLight）、多智能体强化学习（Role-aware Multi-agent RL）以及全球气候预测（FuXi-Ocean、Carbon-Bench）等创新研究。这些工作探索了时空数据的基础模型

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

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

时间序列数据存在于现实世界系统和服务的每一个角落，从天空中的卫星到人体上的可穿戴设备。通过提取和推断这些时间序列中的有价值信息来学习表示，对于理解特定现象的复杂动态并做出明智的决策至关重要。有了学习到的表示，我们可以更有效地进行许多下游分析。在几种方法中，深度学习在从时间序列数据中提取隐藏模式和特征方面展现了卓越的性能，而无需手动特征工程。本文首先基于三个设计最先进的通用时间序列表示学习方法的基本

ICLR（International Conference on Learning Representations）在5月7日-11日在奥地利维也纳举行。今年，ICLR共收到7262篇投稿，总体录用率在31%。本文总结了ICLR 24有关时空数据的相关论文，如有疏漏，欢迎大家补充。其中包含时空预测，气象预测，因果推断，时空图神经网络，地理大模型等的应用。供大家学习，欢迎大家补充。