数据科学与地理信息系统的结合为完整的空间分析平台提供了发展的可能性，采用机器学习和大数据技术使得这些平台能够处理更大规模、越来越复杂的数据，超越了传统方法的局限性。本研究追踪了数据科学和地理信息系统作为研究领域的历史和技术演变，强调了领域之间的关键交叉点，并突出了许多依赖于这种整合的领域。我们通过在葡萄牙特洛伊使用航拍数据的灾害管理领域的案例研究，阐明了从原始数据中提取见解的过程。最后，我们概述了未来在这些领域整合以及所开发应用的研究前景。

Apr, 2024

电子数据和机器学习的地理空间建模已成为环境研究中广受欢迎的趋势，通过准确的地理空间预测有助于生态监测、质量评估、政策制定和行动计划等方面的有效资源管理。然而，对于进一步的研究和实践，需要解决许多问题，以获得精确可复现的结果。研究综述了地理空间建模中常见的问题和挑战，并提供了克服这些挑战的技术和流行编程工具，还讨论了地理空间人工智能在环境应用中的前景。

Nov, 2023

本文介绍了影响城市流量的四个主要因素，将多源空间时间数据的准备过程分为三组，选择了空间 - 时间动态数据作为案例研究城市流量预测任务，并详细分析比较了一些著名的和最先进的流量预测方法，最后提出了城市空间 - 时间流预测的挑战和未来的展望。

Aug, 2019

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

通过自我监督学习方法，将地理空间活动时间序列转化成任务无关的时间嵌入表示，然后使用深度语义分割，将这些嵌入转换成用于下游任务的基于图像通道的表示，实现对住宅区和商业区等不同类型用地的分类。

Apr, 2023

利用大规模人类流动数据来构建一种可以预测不同类型犯罪在各行政区划内发生年度数量的模型，并提高预测的准确性，并且对主要犯罪类别的预测特征进行了深入分析，为城市政策或执法部门提供了有价值的信息。

Jun, 2018

采用机器学习模型，分析卫星影像，利用地理空间开放数据、高分辨率卫星影像和开源工具，通过对布宜诺斯艾利斯地区已知的垃圾倾倒场地进行训练，快速低成本地预测其他区域可能存在的非法垃圾倾倒场地的位置。这种技术能够帮助更好地解决全球南方城市都面临的严重问题，并有望成为一项全地图表非法垃圾倾倒场地的工具。

Oct, 2021

通过提出一个工具包，我们着重强调了在预测模型中识别和纠正偏见和校准错误的关键需求，特别是当算法变得更加复杂和难以解释的情况下，以解决由地理信息引起的偏见问题。我们使用巴黎房地产数据集来说明我们的方法，并审查选择地理聚合水平对公平性和校准度量的影响。

Jan, 2024

本文探究了基于地理和用户移动性的机器学习特征在商业成功中的预测能力， 并通过采集自 Foursquare 的数据集在纽约城市中研究了不同商业连锁店的普及程度，揭示了商业的成功与多个因素有关。

Jun, 2013

该研究介绍了对城市空间时间数据进行有效管理和预测的工作，包括引入了一种统一的存储格式，对多样化的数据集进行了验证，提供了城市空间时间预测模型的技术进展综述，进行了广泛的实验以建立性能排行，并指出了有前景的研究方向。这项工作有效地管理了城市空间时间数据，指导未来的努力，并促进了准确高效的城市空间时间预测模型的发展，可能会对城市空间时间数据管理和预测做出长期贡献，最终提高城市居民的生活水平。

Aug, 2023