时空数据论文短期调研报告1
需积分: 0 191 浏览量
2022-08-03
14:12:26
上传
评论
收藏 283KB PDF 举报
时空数据论文短期调研报告
袁铭潮
1. 背景
随着机器学习和深度学习的发展，已经能够在很
多领域达到甚至超过人类的水准，也有很多领域在积
极地融合深度学习，希望借助深度学习实现产业革命。
归根结底，深度学习是基于数据的，正是因为大数据时
代的来临才有了深度学习的蓬勃发展。
从简单的数字，到文本和图像，机器学习已经能够
很好的处理很多类型的数据，并从中进行学习我们所
需要的知识。在很多较为复杂的数据上，深度学习目前
并不能表现的像简单数据上那么优秀，时空数据就是
复杂数据中的一类。
时空数据是包含了时间属性和空间属性的数据，对
于时空数据，我们需要学习到其中包含的时间关联和
空间关联，借助这两大属性完成很多复杂环境下的任
务。
2. 研究现状
传统的对于时空数据的处理是以数据挖掘的方式
进行的，主要的方式为：（1）统计学方法;（2）关联规
则挖掘;（3）决策树方法;（4）神经网络方法;（5）多层
次数据汇总归纳等。并在各领域根据自身应用特点提
出了不少数据模型以满足不同领域的需求，这是今后
研究过程中能够借鉴使用的。
对于时空数据的类型主要分为一下几类：（1）数值
型序列：即传统意义上的狭义的时间序列，其构成元素
是数值型的; （2）事务型序列：其构成元素是事务型
的; （3）事件型序列：其构成元素是事件。
数据挖掘方向的其他技术对于深度学习借鉴意义
不大，但数据的预处理是相同的。数据预处理流程与普
通数据相仿，常用技术有数据清洗、数据合成、数据变
换和数据消减等。
同样，时空数据挖掘所适用的应用同样适用深度
学习来解决，大致分为环境与交通、基于位置的服务以
及人体运动时空模式挖掘等等。目前，也有很多团队在
使用基于时空数据的深度学习在进行尝试。
近两周，调研了 AAAI2019、ICLR2019、NIPS2019
所接受的论文中时空数据方向的论文，其中 AAAI2019
相关论文数量为 12 篇左右，ICLR2019 接受的论文中
并没有找到相关论文，而 NIPS2019 也只找到了 3 篇。
可见对于时空数据与深度学习相结合的方向的研究并
不多。
3. 时空数据预测交通流的应用
这是根据来自 AAAI2019 的论文，由北京交通大
学的团队所发表。他们的研究提出了一种基于注意力
的时空图卷积网络，并应用在交通流量的预测上，仅从
效果上看是全方位的超越了 LSTM、STGCN 等目前比
较热门的网络模型，当然他们所设计的网络模型根据
交通数据的特点进行了优化。
图 1. 基于注意力的时空图卷积网络模型
首先，他们对数据的时间特性和空间特性进行分
1
资源评论
