Jul, 2023

海洋科学的时空数据挖掘：数据、方法和机遇

PDF
TL;DR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。
spatial-temporal ocean dataspatial-temporal data miningst ocean datasetsstdm studiesocean science
发现论文，激发创造
  • 深度学习在时空数据挖掘中的应用综述

    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。

    Jun, 2019

  • 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

  • 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

  • 无观测区域的时空预测

    我们提出一种名为 STSM 的模型，通过对相邻具有记录数据的区域进行对比学习，从类似感兴趣区域的位置中学习，通过选择性的屏蔽策略实现学习，最终在交通和空气污染预测任务中优于现有模型，持续降低误差。

    Jan, 2024

  • DynST: 资源受限时空预测的动态稀疏训练

    本研究首次提出了一个称为 DynST 的行业级部署优化概念，采用动态稀疏训练和传感器部署来优化地球科学中的数据级别，通过迭代剪枝和稀疏训练，动态去除对未来预测贡献最小的传感器感知区域。

    Mar, 2024

  • 基于图的深度学习用于海表温度预测

    该研究尝试使用图重新采样和图神经网络应用于全球海表温度预测，并发现其在大多数海洋中以均方根误差为衡量标准比持续模型具有更好的一个月的预测效果。

    Apr, 2023

  • 面向时空序列预测的机器学习：综述

    通过对时空序列预测 (STSF) 的三个子类别的对比和对 STSF 中两个主要挑战的综述，提供了一种机器学习解决方案，并为 STSF 领域提出了一些潜在的研究方向。

    Aug, 2018

  • 大型时间序列和时空数据模型：调查和展望

    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

  • 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

  • 利用开放数据绘制 STI 生态系统：克服冲突分类法限制的方法。以丹麦气候变化研究为例的案例研究

    本文介绍了一项研究，使用开放资源来对整个国家丹麦在可持续发展目标 SDG 13 气候行动领域的研究进行映射，并将其映射到 25 个 ERC 小组（欧洲研究理事会小组）中，以帮助科学技术与创新决策者有效设计政策。

    Sep, 2022