软件学报

作者：邹慧琪，史彬泽，宋凌云，韩笑琳，尚学群

单位：邹慧琪，西北工业大学 计算机学院, 陕西 西安 71007211,史彬泽，西北工业大学 计算机学院, 陕西 西安 71007202,宋凌云，西北工业大学 计算机学院, 陕西 西安 71007203,韩笑琳，西北工业大学 计算机学院, 陕西 西安 71007204,尚学群，西北工业大学 计算机学院, 陕西 西安 71007205

关键词：复杂时空数据挖掘;图神经网络;时空大模型

基金：国家重点研发计划(2020AAA0108504); 国家自然科学基金(62302397, 62102321); 中央高校基本科研业务费专项资金(D5000230191, D5000230095); 陕西省创新能力支撑计划(2021TD-06); 先进计算与智能工程(国家级)实验室基金(2023-LYJJ-01-021)

随着传感技术的发展, 不同领域产生了大量时空数据. 时空图是其中一种主要的时空数据类型, 具有复杂的结构、时空特征和时空关系. 如何从复杂的时空图数据中挖掘关键模式, 并应用于不同的下游任务成为复杂时空数据挖掘任务的主要问题. 目前, 日渐成熟的时序图神经网络为该研究领域的发展提供了有力的工具. 此外, 新兴的时空大模型在现有时空图神经网络方法的基础上提供了新的研究视角. 然而, 现有的大多数综述对该领域方法的分类框架较为粗略, 对复杂数据类型(如动态异质图和动态超图)缺乏全面和深入的介绍, 并且没有对时空图大模型相关的最新研究进展进行详细总结. 因此, 基于图神经网络的复杂时空数据挖掘方法分成时空融合架构和时空大模型, 旨在从传统和新兴两个角度进行介绍. 将时空融合架构根据具体的复杂数据类型划分成动态图、动态异质图和动态超图. 将时空大模型根据时间维度和空间维度划分成时间序列和图, 并在基于图的大模型中列举时空图相关的最新研究. 详细介绍不同关键算法的核心细节并对比不同方法的优缺点, 列举基于图神经网络的复杂时空数据挖掘的应用领域和常用数据集, 并对未来可能的研究方向进行展望.

来源：2025年第4期

《软件学报》期刊编辑部

查看软件学报杂志2025年第4期