2025年5月15日，国际数据挖掘顶级会议SIGKDD（ACM SIGKDD Conference on Knowledge Discovery and Data Mining）发布2025年度论文录用结果。江苏省应用数学科学研究中心虞文武教授团队的研究成果《Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs》被大会接收，该成果为大模型解决复杂时空预测难题提供了轻量级解决方案。本届会议Research Track（二月周期）共收到1988篇投稿，总体录用率仅为18.4%。
时空预测作为智慧城市、气候变化监测和能源管理等领域的核心技术，长期面临三大核心挑战：动态空间依赖的精准捕捉、模型复杂度与计算效率的平衡、以及大规模数据的可扩展性处理。传统图神经网络（GNN）依赖静态拓扑结构，难以刻画交通路网等场景中受天气、事件等外部因素驱动的高阶动态交互，现有Large Language Models（LLMs）在应对大规模城市节点数据集时，计算成本呈指数级增长，固定空间关系假设导致模型难以适应早晚高峰、节假日等场景下的分布偏移。
针对上述挑战，研究团队提出了轻量级时间建模与自适应空间建模相结合的新型框架—STH-SepNet（时空超图解耦网络）。该方案采用小规模参数量LLMs来高效捕捉低秩时间动态，在保持大模型时序建模优势的同时降低80%计算开销，通过自适应超图神经网络动态生成超边，精准捕捉突发事件导致的空间关联突变。此外，设计自适应门控机制融合时间和空间表示，确保时空特征无缝融合的同时保持计算效率和高预测精度。该工作旨在解决大模型建模时序预测特征中参数量过多、计算优化困难的问题，有效地捕捉因外部因素或系统内在动态导致的节点间影响变化和时空系统分布偏移，提供了一种轻量级大模型时空预测的解决方案。
该论文第一作者为博士生陈佳文、邵其，指导老师为陈都鑫副教授和虞文武教授。该研究成果获得中心课题“复杂系统的无偏高阶高维因果推断”（课题负责人：陈都鑫）与中心院士一对一青年拔尖人才培养项目的支持。课题项目面向复杂系统认知三大核心要素：结构、演化、动力学，通过系统科学与人工智能的交叉研究赋能复杂系统结构与动力学机理认知的基础理论与应用研究。该工作是继ICLR2024（动力学辨识）、ICLR2025（因果结构推断）两篇论文后在复杂系统演化认知领域的又一重要成果。
SIGKDD会议，全称为ACM SIGKDD Conference on Knowledge Discovery and Data Mining（国际计算机学会数据挖掘与知识发现专业组会议），是数据科学领域中最具影响力的国际学术会议之一，被中国计算机学会列入A类推荐会议。它由ACM（Association for Computing Machinery，国际计算机学会）旗下的SIGKDD组织主办，该组织专注于推动数据挖掘、大数据分析以及相关领域的研究与发展。
论文信息：Jiawen Chen, Qi Shao, Duxin Chen, Wenwu Yu .Decoupling Spatio-Temporal Prediction: When Lightweight Large Models Meet Adaptive Hypergraphs. KDD 2025, Toronto, August 3th-7th.
链接：https://openreview.net/forum?id=KPHzCBjeWP
