近日，中国电信云计算研究院与吉林大学联合研究团队在移动群智感知领域取得最新研究进展，相关论文《Spatiotemporal Non-Aligned Data Inference for Sparse Mobile CrowdSensing》被移动计算领域国际重要期刊 IEEE Transactions on Mobile Computing（IEEE TMC）正式接收。该工作由吉林大学博士生杜昊、中国电信云计算研究院与吉林大学联合培养博士后刘文彬完成，得到中国电信集团首席科学家、中国电信云计算研究院院长吴杰教授，吉林大学王恩教授和杨博教授的共同指导，是云计算研究院与外部高校在产学研合作方面的重要成果。

该研究面向稀疏移动群智感知场景下时空数据非对齐、采样不规则和空间尺度不一致等问题，提出统一的时空非对齐数据推断框架 ST-NAI，有效提升了复杂真实场景中的数据推断精度，为交通管理、环境监测、城市治理和灾害响应等应用提供了新的技术方案。该论文是研究团队此前发表于 IEEE/ACM International Symposium on Quality of Service 2025（IWQoS 2025）工作的进一步拓展。

移动群智感知是一种重要的时空数据采集和应用范式，可利用智能手机、车载设备、无人机等移动终端收集大规模时空数据，广泛应用于交通管理、环境监测、城市治理和灾害响应等领域。相比传统固定传感器，移动群智感知具有部署灵活、成本较低、覆盖范围广等优势。然而，在真实应用中，不同设备的感知能力和覆盖范围存在差异，用户数据上报时间也受到移动轨迹、网络状态和随机参与行为影响，导致采集数据呈现空间尺度不一致和时间采样不规则等特征。这种时空非对齐问题使传统基于固定网格和离散时间片的数据推断方法难以适应真实复杂场景，影响数据推断的准确性和完整性。

移动群智感知中的时空非对齐问题示意

针对上述问题，研究团队提出 ST-NAI 框架。该框架设计 Time-Mamba 模块，将真实物理时间间隔融入 Mamba 模型，用于刻画不规则采样下的连续时间动态变化；设计尺度自适应重采样策略（Scale-Adjusted Resampling），解决不同空间尺度之间的几何非对齐问题；进一步构建 ST-Mamba 和 Cross-Mamba 模块，实现尺度内部时空关联建模和跨尺度信息交互，在保持线性计算复杂度的同时提升时空融合能力。论文在空气质量、天气和交通流等六个真实数据集上进行了实验验证，结果表明 ST-NAI 在多项指标上优于现有代表性方法，并在计算开销方面显著低于 Transformer 类模型，体现出良好的准确性、鲁棒性和实用性。

该研究在稀疏移动群智感知的数据推断框架、连续时间建模、多尺度空间非对齐处理和高效时空融合机制等方面取得进展，进一步拓展了移动群智感知技术在复杂真实场景中的应用边界。成果有望应用于城市交通流量推断、空气质量监测、城市运行状态感知和应急灾害响应等任务，为智慧城市中的低成本、高精度时空数据获取与智能决策提供技术支撑，并进一步增强中国电信在城市时空数据处理、云边端协同和智能感知服务方面的能力。

作为中国电信的高层次学术研究机构，中国电信云计算研究院长期布局端云协同、移动计算、群智感知和时空数据智能处理等前沿方向，将稀疏感知场景下的智能数据推断与补全技术作为重要的方向，致力于以创新算法推动云—边—端协同发展，为大规模智算业务、城市智能感知和高效资源调度提供可靠技术支撑。

IEEE TMC（IEEE Transactions on Mobile Computing）是移动计算领域具有重要影响力的国际顶级期刊，重点发表移动计算与无线系统领域的高质量研究成果，涵盖移动网络协议、资源管理、普适计算、移动安全与隐私保护等方向。IEEE TMC 属于中国计算机学会（CCF）推荐 A 类期刊，论文由 IEEE Xplore 收录，并被 SCIE、EI 和 Scopus 等数据库检索，在移动计算及相关研究领域具有广泛影响力。