HGAurban：用于城市时空学习的异构图自编码

空间时空图表示在城市感知应用中发挥着关键作用，包括交通分析、人类 mobility 行为建模和城市范围内犯罪预测。然而，面临着时空数据噪声和稀疏的关键挑战，限制了现有神经网络学习时空图中有意义区域表示的能力。为克服这些限制，我们提出 HGAurban，这是一种新的异构时空图掩码自编码器，利用生成式自监督学习实现对城市数据表示的稳健性。我们的框架引入了空间时序异构图编码器，从多源数据中提取区域级依赖关系，实现对多样化空间关系的全面建模。在自监督学习范式中，我们实现了一个掩码自编码器，联合处理节点特征和图结构。该方法自动学习跨区域的异构时空模式，显著提高了动态时序相关性的表示。广泛的实验在多个时空挖掘任务上表明，我们的框架在多个基准上均优于最先进的方法，能够稳健地处理包括空间和时序维度中的噪声和稀疏性等真实世界城市数据挑战。