论文链接：https://ieeexplore.ieee.org/document/9835423

本文提出了一种时空自监督学习框架 ST-HSL，整体框架如下图所示。具体而言，我们首先开发了一个时空卷积网络来编码临近区域和时间段之间的局部关系，以及隐式的类型犯罪相关性。然后，我们探索将超图学习与图神经网络架构相结合的潜力，以捕捉全局跨越不同区域犯罪行为的关联性。我们进一步设计了一种新颖的时空超图对比学习范式，使局部和全局关系编码器能够相互协作监督，为稀疏的犯罪数据生成鲁棒的时空表征。为了增强 ST-HSL 模型以注入全局犯罪数据上下文信息，我们引入了超图 Infomax 网络以实现本地和全局级别表示之间的一致性。

图片

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除