WWW 会议为交叉，新兴，综合领域的顶级会议，属于CCF A类，几乎计算机的任何一个领域都可以投WWW，是计算机交叉学科领域最具影响力的会议之一。WWW 每年的录用率非常低，今年共录用了365篇论文，录用率仅为19.2%。
这次我整理了WWW 2023 会议中时间序列相关的论文14篇，都是含金量很高的最新前沿论文，方便时序方向的同学了解最新的研究成果，快速找到新的idea。
1.Learning Social Meta-knowledge for Nowcasting Human Mobility in Disaster
标题：通过学习社会元知识进行灾害情况下人类流动性的短期预测
内容：本研究提出了一种集成了记忆网络和元学习的空间时间网络MemeSTN，通过整合社交媒体和人 mobility数据，实现了在三个真实灾害场景下人类mobility的短期预测，并取得了优于现有模型的效果。
2.GAT-DNS: DNS Multivariate Time Series Prediction Model Based on Graph Attention Network
标题：基于图注意网络的DNS多变量时间序列预测模型GAT-DNS
内容：本文提出了一种基于图注意网络和图嵌入的DNS异常检测方法GAT-DNS，可以有效检测出各类DNS攻击，相比最新方法 precision、recall和F1值都有提升，还可以通过删除高依赖关系的特征来进行模型压缩，提高系统效率。
3.KAE-Informer: A Knowledge Auto-Embedding Informer for Forecasting Long-Term Workloads of Microservices
标题：KAE-Informer: 一个用于预测微服务长期工作负载的知识自动嵌入Informer
内容：KAE-Informer通过将全局趋势和主要周期性以及长程依赖的低频残差模式的知识嵌入，设计了卷积ProbSparse自注意力机制和多层事件鉴别方案，准确预测了微服务的长期工作负载。
4.Detecting Socially Abnormal Highway Driving Behaviors via Recurrent Graph Attention Networks
标题：检测社会性异常的高速公路驾驶行为通过递归图注意力网络
内容：通过使用基于图的递归自注意力网络的自动编码器模型，考虑车辆间的相互作用和交通的时空变化性，检测违反本地驾驶规范的社会性异常驾驶行为。
5.Fast and Multi-aspect Mining of Complex Time-stamped Event Streams
标题：快速多方面挖掘复杂时间戳事件流
内容：CubeScope通过识别突然的不连续性和不同的动态模式即“制度”，以及在每个制度中对所有属性进行多方式汇总发现隐藏的“组件”，从而对高阶张量流进行有效、通用且可扩展的多方面总结，检测异常并发现实际存在的各类异常类型。
6.ELASTIC: Edge Workload Forecasting based on Collaborative Cloud-Edge Deep Learning
标题：ELASTIC：基于协同云边深度学习的边缘工作负载预测
内容：ELASTIC是一个首创的基于云边协同的边缘工作负载预测框架，它在全局阶段设计了一个可学习的聚合层来捕获站点间的相关性并降低时间消耗，在局部阶段设计了一个解聚合层来结合站点内和站点间的相关性以提高预测准确性，实现了预测准确性和效率的平衡。
7.Modeling Dynamic Interactions over Tensor Streams
标题：对张量流建模动态交互
内容：DISMO算法通过在张量分解中引入可解释的非线性微分方程，增量式地总结特征并切换多方面因子，来发现张量流中控制趋势的时变交互(动态交互)和覆盖趋势的周期模式，揭示潜在的交互关系，有效地生成未来事件。它可以自动提取数据属性之间的可解释交互，同时提高了预测准确性并大大减少了计算时间。
8.Look Deep into the Microservice System Anomaly through Very Sparse Logs
标题：通过极为稀疏的日志深入探究微服务系统异常
内容：MicroCU通过设计动态因果曲线描述时间变化的服务依赖，基于Granger因果区间的时间动态发现算法，生成更平滑的因果曲线空间，提出因果单峰化概念校准因缺失指标带来的因果不忠实，在动态因果图上定位根本原因，使用极为稀疏的API日志有效诊断微服务系统，优于当前方法。
9.DeeProphet: Improving HTTP Adaptive Streaming for Low Latency Live Video by Meticulous Bandwidth Prediction
标题：DeeProphet：通过精确带宽预测改进低延迟直播视频的HTTP自适应流技术
内容：DeeProphet通过收集有效的带宽测量样本和结合时间序列模型与基于学习的模型来预测大幅变化和不确定性波动，实现了低延迟直播中的精确带宽预测，改进了HTTP自适应流的性能。实验结果表明，与最先进的算法相比，DeeProphet提高了17.7%-359.2%的整体QoE，并将中值带宽预测误差降低到2.7%。
10.Regime-based Implied Stochastic Volatility Model for Crypto Option Pricing
标题：基于情绪的隐含随机波动率模型用于加密货币期权定价
内容：利用时间-情绪聚类和隐含随机波动率模型的最近进展，应用于Deribit的比特币期权高频数据，克服了期权定价模型高阶特征跳跃所带来的调整复杂性，实现了对新兴数字资产市场动态的自适应定价。
11.Impact of COVID-19 Pandemic on Cultural Products Interests
标题：COVID-19疫情对文化产品兴趣的影响
内容：利用搜索日志数据和回归不连续设计，研究发现COVID-19疫情导致人们对电影、音乐和艺术的兴趣明显增加，与人们活动范围减少呈强相关，这种兴趣变化至少持续了8周。
12.EDITS: An Easy-to-difficult Training Strategy for Cloud Failure Prediction
标题：EDITS：一种从易到难的云故障预测训练策略
内容：论文提出EDITS训练策略，通过从易到难的顺序训练数据，大幅提高了现有云故障预测模型的性能，并取得了工业实践中的明显效果。
13.Forecasting COVID-19 Vaccination Rates using Social Media Data
标题：使用社交媒体数据预测COVID-19疫苗接种率
内容：论文通过文本分类分析表达接种意愿的推文，发现推文数据与实际接种率存在显著对齐，可以作为预测未来接种率的有价值前兆数据。
14.GROUP: An End-to-end Multi-step-ahead Workload Prediction Approach Focusing on Workload Group Behavior
标题：GROUP:一种关注工作负载组行为的端到端多步工作负载预测方法
内容：作者提出GROUP方法，将工作负载预测的焦点从个体转移到组，从数据相似性转移到数据相关性，从隐式建模转移到显式建模，以准确预测云原生应用的工作负载组行为。
关注下方《学姐带你玩AI》🚀🚀🚀
回复“WWW”获取全部论文原文+代码合集
码字不易，欢迎大家点赞评论收藏！
