A Survey of Generative Techniques for Spatial-Temporal Data Mining

本文旨在探讨将生成技术融入到时空数据挖掘中，考虑到时空数据的显著增长和多样性。随着RNNs、CNNs和其他非生成技术的发展，研究人员已经探索了它们在捕捉时空数据中的时间和空间依赖性方面的应用。然而，LLMs、SSL、Seq2Seq和扩散模型等生成技术的出现，为进一步增强时空数据挖掘开辟了新的可能性。本文提供了一种针对时空数据挖掘流程特别设计的标准化框架，并对基于生成技术的时空方法进行了全面分析。通过提供详细的回顾和新颖的时空方法分类，本文使人们更深入地了解了该领域中采用的各种技术。此外，本文强调了有前途的未来研究方向，敦促研究人员深入探索时空数据挖掘。它强调了探索未开发的机会和推动知识边界以解锁新的见解和提高时空数据挖掘的有效性和效率的必要性。通过整合生成技术并提供标准化框架，本文有助于推进该领域的发展，并鼓励研究人员探索在时空数据挖掘中生成技术的广阔潜力。

论文旨在将生成技术整合到时空数据挖掘中，以应对时空数据的显著增长和多样性。

论文提出了一个标准化框架，专门设计用于时空数据挖掘流程。该框架结合了生成技术，进一步提高了时空数据挖掘的效率和准确性。

值得关注的亮点包括：详细的时空数据生成技术分类，开发的标准化框架，以及对未来研究方向的探讨。实验使用了多个数据集，并提供了开源代码。研究鼓励探索生成技术在时空数据挖掘中的潜力。

近期的相关研究包括：《Spatial-temporal data mining: A survey of current status and future trends》、《A survey of spatio-temporal data mining》等。