Shapelets是时间序列分类的判别子序列。近年来，提出了用梯度下降法直接学习时间序列shapelets (LTS)。虽然基于学习的shapelet方法取得了比以往方法更好的效果，但它们仍然存在两个不足之处。首先，学习到的shapelets经过训练后是固定的，在测试阶段不能适应有变形的时间序列;其次，通过反向传播学习到的shapelets可能与任何真实子序列都不相似，这与shapelets的初衷

Bigtable: A Distributed Storage System for Structured DataBigtable是一种分布式存储系统，用于管理结构化数据，旨在扩展到非常大的规模:跨越数千台商品服务器的pb级数据。谷歌的许多项目都在Bigtable中存储数据，包括web索引、谷歌Earth和谷歌Finance。这些应用程序对Bigtable提出了非常不同的要求，无论是在数据大小(

它们是互补的，可以为强化学习获得更多信息的反馈:(1)提供更容易的子任务的密集奖励，而(2)修改子任务的环境，使其更具挑战性和多样性。子任务树为每个策略提供了一个易于实现的课程:其自上而下的构建逐渐增加规划器需要生成的子任务，而环境和强化学习之间的对抗性训练遵循自下而上的遍历，从更容易的子任务的密集序列开始，允许更频繁的环境变化。虽然已经对基于模型的算法的悲观变体(例如，具有下界的值迭代)进行了理

What is the Human Mobility in a New City: Transfer Mobility Knowledge Across Cities随着物联网的发展，车辆、共享单车和移动设备的GPS轨迹反映了人们的出行模式和偏好，这对城市规划、企业选址等城市应用尤为重要。然而，由于隐私和商业方面的考虑，以及部署传感器的高成本和收集数据的长时间等因素，收集大量的人类移动数据并不容易

此外，提出了一种高效的分治算法来推导两个语义轨迹之间的空间相似度边界和文本相似度边界，使我们能够在不计算空间-文本相似度精确值的情况下剪枝不相似的轨迹对。其次，与传统的使用昂贵的黎曼梯度的双曲嵌入方法相比，该方法可以以更高效的方式进行优化。具体地，针对τi和τj中的不足，提出了轨迹对剪枝策略，剪枝"不合格"的轨迹对，而不需要计算每个对象对之间的相似度。然而，之前基于图的方法将GNN应用于构建的连通

具体而言，首先设计了一个空间依赖模块来建模交通流内部的各种空间相关性，其中首先构建了多关系图来从多个角度考虑相关性，然后提出了一个多图卷积神经网络来捕获交通流的综合空间依赖并充分传播观测到的交通值，以缓解空间域数据稀疏问题。同时，为了解决时间连续数据缺失问题，采用改进的双向循环神经网络同时考虑历史和未来信息来捕获交通流的时间依赖关系，并采用时间衰减机制来控制相邻时间片之间信息的不规则传递。在真实数

直观地说，一条边的特征依赖于它的属性，如道路的连通性和节点之间的距离。为了对全市交通进行建模，受对交通缺失模式和先验知识的观察启发，提出了一种神经记忆和泛化方法来推断缺失的速度和流量，主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验，以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义，但具

具体而言，首先设计了一个空间依赖模块来建模交通流内部的各种空间相关性，其中首先构建了多关系图来从多个角度考虑相关性，然后提出了一个多图卷积神经网络来捕获交通流的综合空间依赖并充分传播观测到的交通值，以缓解空间域数据稀疏问题。同时，为了解决时间连续数据缺失问题，采用改进的双向循环神经网络同时考虑历史和未来信息来捕获交通流的时间依赖关系，并采用时间衰减机制来控制相邻时间片之间信息的不规则传递。在真实数

这样，我们的方法只需要对所有区域对之间的𝑀2相关性进行建模1，其中通常𝑀≪𝑁。此外，提出一种基于矩阵分解的元学习器，使细胞对随时间变化的外部因素产生特异性响应。实验结果表明，与目前最先进的方法相比，STRN在使用更少参数的情况下，误差降低了7.1% ~ 11.5%。此外，我们还部署了一个名为UrbanFlow 3.0的云系统，以展示该方法的实用性。本文将城市流量预测的视野扩展到细粒度，提出了

直观地说，一条边的特征依赖于它的属性，如道路的连通性和节点之间的距离。为了对全市交通进行建模，受对交通缺失模式和先验知识的观察启发，提出了一种神经记忆和泛化方法来推断缺失的速度和流量，主要由一个用于速度推理的记忆模块和一个用于流量推理的泛化模块组成。基于三个真实的数据集进行了广泛的实验，以说明ST-MetaNetþ超越几种最先进的方法的有效性。城市交通预测对智能交通系统和公共安全具有重要意义，但具