Jun, 2019

深度学习在时空数据挖掘中的应用综述

PDF
TL;DR本文综述了将深度学习技术应用于时空数据挖掘，并介绍了应用深度卷积与循环神经网络等模型在处理此类数据时的分类学、任务、应用和展望。
spatio-temporal data miningdeep learning techniquesconvolutional neural networkrecurrent neural networkreal world applications
发现论文，激发创造
  • 深度学习在时空大数据上的应用：机遇与挑战展望

    使用 GPS、遥感和计算模拟等技术，收集大量来自地球科学、农业、智能城市和公共安全等领域的时空数据，结合深度学习技术，开创解决以往无法解决的问题的新机遇并提出未来的研究需求。

    Oct, 2023

  • 海洋科学的时空数据挖掘：数据、方法和机遇

    对海洋中基于时空数据挖掘的研究进行全面调查，总结了海洋中使用的时空海洋数据集的特征、数据质量增强技术，以及预测、事件检测、模式挖掘和异常检测等四类任务的技术，为计算机科学和海洋科学领域的科学家提供了更好的基本概念、关键技术和待解决问题的了解。

    Jul, 2023

  • 时空数据挖掘：问题与方法综述

    介绍了关于 spatio-temporal 数据挖掘领域的研究，在各个领域如气候科学、社会科学、神经科学、流行病学、交通运输、移动健康和地球科学方面，讨论了六种主要类型的问题：聚类、预测学习、变化检测、频繁模式挖掘、异常检测和关系挖掘。

    Nov, 2017

  • 时空数据挖掘生成技术综述

    本文研究了将生成技术与时空数据挖掘相结合，探讨了生成技术在捕捉时空数据中的时间和空间依赖性方面的应用，并提出了一个专门用于时空数据挖掘流程的标准化框架。本文旨在增进对这一领域中使用生成技术的各种技术的深入理解，并强调了未来的研究方向，鼓励研究者深入探索时空数据挖掘的巨大潜力。

    May, 2024

  • 深度学习在定位和地图制图中的研究：迈向空间智能的时代

    本研究对以深度学习为基础的定位和建图方法进行全面调查和分类，讨论了目前模型的局限性，并预示了未来的方向。文中涵盖了从学习里程估计、绘图到全局定位和同时定位和绘图（SLAM）等广泛的话题，探讨了利用车载传感器来感知自我动作和场景理解的问题，并展示了如何将这些模块集成到 SMIS 中。希望本研究能连接机器人学、计算机视觉和机器学习社区的新兴工作，并为未来研究者提供指南，应用深度学习来解决定位和绘图问题。

    Jun, 2020

  • 出租车需求预测的深度多视图时空网络

    该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

    Feb, 2018

  • 轨迹数据管理和挖掘的深度学习：调查与拓展

    本文综述了轨迹计算中深度学习的发展和最新进展，研究了深度学习在轨迹管理和挖掘方面的应用，并对目前的挑战和未来发展方向进行了概述。

    Mar, 2024

  • 基于深度学习的时空动作检测综述

    本文综述了基于深度学习的时空动作检测（STAD）的最新方法及其性能评估，讨论了相关研究的潜在方向。

    Aug, 2023

  • 重新审视时空相似性：一种用于交通预测的深度学习框架

    本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

    Mar, 2018

  • 通过循环神经网络利用多时相空间数据进行土地覆盖分类

    本文研究使用 Recurrent Neural Networks 中的 Long-Short Term Memory（LSTM）模型来进行基于卫星图像时间序列的土地覆盖分类，并与传统方法进行了比较，结果表明 LSTM 模型在处理高度混合的图像分类问题方面表现更具竞争力。

    Apr, 2017