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

我们提出了一种动态时空数据汇总技术，它能够识别关键时间步骤中的信息特征并融合不太相关的特征，从而在保留数据动态性的同时最小化存储需求。利用信息论度量指导融合过程，我们展示了该技术在多样化数据集中的灵活性，并在粒子流模拟、安全监控应用和免疫系统中的生物细胞相互作用等领域提供了深入的洞察力。我们的研究在数据管理领域做出了重要贡献，引入了提高效率和深入见解的方法，可应用于原址分析和事后分析，从而解决数据存储和 I/O 开销不断增加的挑战，同时释放出决策的潜力。我们的方法使研究人员和专家能够探索重要的时间动态，同时最小化存储需求，从而促进对复杂数据行为的更有效和直观的理解。

Oct, 2023

交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。为了实现高效、轻量和有效的时空预测方法，我们提出了一种直观而新颖的框架 MLPST，它是一个纯多层感知器架构，能够在要求仅为线性计算复杂度的同时，很好地捕捉空间和时间依赖关系。通过与先进基准模型的比较，广泛的实验证实了 MLPST 的出色效果和高效性，而在模型的准确率最优中，MLPST 实现了最好的时间和空间效率。

Sep, 2023

我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。

Oct, 2023

ST-TIS 提出一种基于 Transformer 的轻量级交通预测方法，结合信息融合和区域采样技术，能够高效地处理区域之间动态的空间和时间依赖关系，相对于现有方法，能够实现更高的预测精度和更快的离线训练速度。

Dec, 2021

通过收集相关数据集、模型资产和有用工具，我们提供了面向时间序列和时空数据的大规模模型研究的最新进展，强调其坚实的基础、当前的进展、实际应用、丰富资源和未来的研究机会。

Oct, 2023

TrafficTL 是一种跨城市交通预测方法，使用其他城市的大数据来辅助缺乏数据的城市做出更准确的预测，并利用深度学习的 Spatio-temporal 模型来提高预测精度。在三个真实数据集上的综合案例研究表明，TrafficTL 比最先进的基线模型提高了约 8-25% 的预测精度。

Mar, 2023

本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

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

本文研究利用 Parametric Signal Temporal Logic 设计无监督的时间序列数据特征以解决数据过载问题，以实现对复杂模型和实验产生的大量数据进行自动分类。作者通过几个示例说明了这种技术如何生产可解释性的公式，适合进行分析和理解。

Dec, 2016