空间产品分区模型
本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。
Jun, 2023
本研究通过理论与实验结合的方法，探讨了更广泛的树类组合，以了解空间划分可以利用数据的内在低维结构的程度，对于回归、向量量化和最近邻搜索等标准统计任务的影响，并证实了随机投影树是适应数据固有维数的。
May, 2012
通过设计空间感知的搜索算子，我们提出了一种名为 SPATIAL 的群体智能算法，用于解决具有离散空间单位的空间优化问题，该算法已应用于学校（再）分区问题，并在真实数据集上进行了实验验证。
Aug, 2022
在空间统计和机器学习中，核矩阵在预测、分类和最大似然估计中起着关键作用。对于大样本量情况，经彻底检查发现，只要采样位置相对均匀分布，核矩阵就会出现病态，这给预测和估计计算中使用的数值算法带来了重大挑战，需要对预测和高斯似然进行近似处理。对当前管理大规模空间数据的方法进行综述表明，一些方法未能解决这个病态问题。这种病态经常导致随机过程的低秩近似。本文引入了各种最佳性准则，并提供了相应的解决方案。
Nov, 2023
本文探讨了适当选择网格化策略对于时空出租车需求供给建模框架的重要性，并使用印度孟买和美国纽约的出租车需求供应 GPS 数据比较了变尺寸多边形基础的 Voronoi 网格和固定尺寸的 Geohash 网格。通过使用 LSTM 神经网络模型，将邻居的空间信息纳入模型，我们发现利用基于变尺寸多边形网格的输入特征的 LSTM 模型表现更好，这表明需要探索多种空间划分技术以提高神经网络模型的预测性能。
Dec, 2018
本文提出了一种针对全球数据的时空建模扩展方法，将多分辨率逼近（MRA）方法与分区及复杂协方差模型拟合相结合，实现了可扩展的计算性能和灵活的协方差模型，为分析全球性数据提供了实用的策略。
Jun, 2020
本文介绍了一种卷积神经网络框架来自动地学习匹配地理空间数据中的 空间相关性，使用卫星图像中嵌入的邻域信息实现所需的空间平滑，并且克服了现有方 法的线性假设的局限性。在伦敦、伯明翰和利物浦三个城市的基础上，使用深度神经 网络的特征，相较于空间自回归基线，数据估计精度提高了 57％。
Oct, 2016