准确的时空交通预测对于路径规划、交通信号控制和城市管理等任务具有重要意义。为了降低跨城市部署的训练成本，近年来的研究开始探索能够在未见城市上进行零样本预测的时空基础模型。然而，现有时空基础模型大多依赖单一模态的交通时序数据，难以充分刻画真实交通场景中的复杂背景信息。随着遥感影像、兴趣点（POI）等多模态城市数据越来越容易获取，利用这些背景信息增强跨城市交通预测成为一种有前景的方向。

本文提出一种面向多模态时空交通预测的基础模型 MoST。MoST 能够在不同城市、不同模态可用性的场景下，利用任意可获得的模态信息进行零样本预测。针对跨城市多模态数据中常见的模态缺失、模态噪声以及局部空间模式差异问题，MoST 设计了多模态精炼模块（Multi-modality Refinement Module）和多模态引导的时空预测模块（Multi-modality-guided Spatio-Temporal Prediction Module）。前者自适应选择任务相关且可靠的模态，后者利用多模态背景信息动态选择空间专家，从而捕捉区域特定的局部时空依赖。实验结果表明，MoST 在五个真实交通数据集上取得了优于现有基线的预测性能，并展现出较强的跨城市泛化能力。

在智能交通的各个领域中，开发有效的路径表征变得越来越重要。尽管预训练的路径表征学习模型表现出了不错的性能，但它们主要关注单模态数据的拓扑结构，如道路网络，而忽略了与路径图像（如遥感图像）相关的几何和上下文特征。整合来自多种模态的信息可以提供更全面的视角，提高表征精度和泛化能力。然而，信息粒度的差异阻碍了基于路网的路径（道路路径）和基于图像的路径（图像路径）的语义对齐，同时多模态数据的异构性也给有效融合和利用带来了巨大挑战。本文提出一种新的多模态、多粒度的路径表征学习框架（MM-Path），通过整合道路路径和图像路径这两种模态来学习通用的路径表征。为增强多模态数据的对齐，我们提出了一种多粒度对齐策略，系统地将节点、道路子路径和道路路径与其对应的图像块关联起来，确保详细的局部信息和更广泛的全局上下文的同步。为了有效解决多模态数据的异构性，我们提出了一种基于图的跨模态残差融合组件，旨在全面融合不同模态和粒度的信息。最后，在两个下游任务下的两个大规模真实数据集上进行了广泛的实验，验证了MM-Path的有效性。

城市，作为一个复杂的空间与人文系统，其中存在着多种类型的兴趣点，如商场、银行等。兴趣点数据具有覆盖范围广、快速、获取简单等特点。了解与表征城市对便利居民生活、高效利用土地资源、改善城市功能区感知以及助力智慧城市建设等有着重要支撑作用，具有重要的学术价值和现实意义。

随着城市的发展与扩张，城市区域常常会偏离原有类型。使用频繁更新的数据及时了解与表征城市区域，预测城市区域类型，对城市规划有着重要的意义。同时，其可以为人类移动轨迹预测、面向用户的位置推荐等城市相关任务提供辅助信息，具有重要的支撑作用。城市区域内包含非常多的兴趣点信息，我们的目标是通过挖掘区域内频繁更新的兴趣点数据，进行城市区域表征学习与区域类型预测。

许多兴趣点（POI）缺乏语义标注，无法补充兴趣点的表示，这对于用户探索新的场所以及基于语义的推荐服务、城市计算等产生了巨大的阻碍。
给定用户签到轨迹以及类别标签的层次结构，我们的目标是将兴趣点以及类别标签映射到向量空间中，然后基于兴趣点向量和类别向量为无类别标签的兴趣点预测类别。

本次搭建了基于Hexo+GitHub的个人博客，博客中包括了个人简介，一些发表的论文介绍，以及搭建个人博客的教程和总结。

未来，这个博客也会用于记录生活、分享技术、分享科研进展。

本教程手把手介绍了如何使用Hexo+GitHub 搭建个人博客。