MuST2-Learn：用于异构市政服务时间估计的多视角时空类型学习
机器学习
2025-08-25 v1
摘要
非紧急市政服务（如城市 311 系统）已在加拿大和美国的城市中广泛实施，以提升居民的生活质量。这些系统使居民能够通过电话、移动应用程序或网页报告问题，例如噪声投诉、垃圾收集遗漏和坑洞。然而，居民通常只能获得有关其服务请求何时得到处理的有限信息，这可能降低透明度、降低居民满意度并增加后续查询数量。预测市政服务请求的服务时间具有挑战性，原因包括：动态的时空相关性、异构服务请求类型之间的底层交互以及同一请求类别内服务持续时间的显著差异。在这项工作中，我们提出了 MuST2-Learn：一个多视角时空类型学习框架，旨在通过联合建模空间、时间和服务类型维度来应对上述挑战。具体而言，它包含一个类型间编码器，用于捕获异构服务请求类型之间的关系，以及一个类型内变化编码器，用于建模同类型内的服务时间变化。此外，集成时空编码器以捕获每种请求类型中的空间和时间相关性。所提出的框架通过两个真实数据集进行了广泛的实验评估。结果表明，MuST2-Learn 将平均绝对误差降低了至少 32.5%，超越了最先进的方法。
引用
@article{arxiv.2508.16503,
title = {MuST2-Learn: Multi-view Spatial-Temporal-Type Learning for Heterogeneous Municipal Service Time Estimation},
author = {Nadia Asif and Zhiqing Hong and Shaogang Ren and Xiaonan Zhang and Xiaojun Shang and Yukun Yuan},
journal= {arXiv preprint arXiv:2508.16503},
year = {2025}
}
备注
Accepted to SIGSPATIAL 2025