基于深度学习的人群活动流量时空预测模型

传统的时空预测方法缺乏对复杂时空非线性关系的描述,且难以顾及空间多尺度特征对于预测结果的影响。针对这一问题,本文提出了一种融合空间多尺度特征的时空网络模型(MST-Net),将流量预测的回归问题转换为具有时空特性的判别模型。首先,通过并联卷积提取空间多尺度特征;然后,通过引入注意力机制的门控循环单元提取时间特征;最后,利用全连接层得到预测结果。本文将该模型用于人群活动流量的预测,分别在两组真实的社交媒体签到数据集上进行试验。试验结果表明:本文采用的卷积层连接方式和特征融合方法,相比于单层卷积层提取空间特征、其他连接方式和融合方法以及传统的时空预测模型,在均方根误差(RMSE)和平均绝对百分比误差(MAPE)两个预测结果评价指标上均有不同程度的提高,说明本文方法具有较高的预测精度,能够较好地拟合时空问题的非线性关系,实现人群活动流量的预测。     

气象监测数据的时空特征分析与建模

尝试对美国爱荷华州东部66个气象观测站1951～2000年的月均最低气温数据进行时空特征分析和建模。将时空数据分解为时空趋势和时空残差两部分,使用非线性时间序列模型模拟气温的时空趋势,分析模型参数和残差的时空特征,探索时空数据建模方法。案例研究表明研究区域内所有站点的时间序列特征较一致,可采用一个趋势性和周期性模型表达。同时残差部分具有一定的时空自相关特征,建议开发一个简单方法进行时空数据插值。     

基于分区的局域神经网络时空建模方法研究

区域数据表现为两种尺度的空间特性:反映全局特征的空间依赖性和反映局域特征的空间波动性.空间波动性表现为空间数据在局部地区的聚集或高低交错现象.在研究区域数据时空预测性建模时,从降低数据的空间波动和不平稳性对模型预测能力的影响角度出发,提出了一种基于分区的局域神经网络时空非线性建模的思路.分区过程由基于空间邻接关系的K-means聚类算法完成.不同的分区方案通过相关性、波动性、紧凑性等指标进行评价和优选.在确定最优分区方案的基础上,对各子区分别采用两层前馈网络进行建模,模型的输入不仅要考虑本区内单元的作用,而且要考虑相邻子区的边界效应.各神经网络模型的时空预测能力通过平均相均差和动态相似率等指标进行衡量.最后,通过对法国94个县每周流感报告病例的时空建模分析表明,与全局神经网络模型相比,基于分区的局域神经网络模型具有更好的预测能力.     

ETWatch中不同尺度蒸散融合方法

高分辨率遥感蒸散数据集的构建受到数据源的限制和云的影响,单一传感器无法达到高时空分辨率覆盖。本文分 析了ETWatch不同尺度遥感蒸散结果的空间特征,通过几种融合方法的比较,分析数据融合前后的数据特征和信息量,将 时空适应性反射率融合模型（STARFM）集成到ETWatch,用于不同尺度遥感蒸散数据的融合,该方法可以很好的结合高 低分辨率数据的空间分布和时间分布信息,在时间上保留了高时间分辨率数据的时间变化趋势,空间上又反映了高空间分 辨率数据的空间细节差异,STARFM融合后的日ET数据与融合前1 km 日ET数据的平均相对误差为1.75%,融合后的月ET 数据与融合前1 km 月ET数据的平均相对误差为0.2%,STARFM适合于不同尺度下遥感ET数据的融合。     

CORS站高程非线性速度场及方差波动模型构建方法

本文描述了CORS站高程时间序列采用固定周期项建立线性速度场的基本概念,指出给定周期与实际周期存在偏差的问题。为此,提出了CORS站高程时间序列非线性速度场建模方法。该方法以线性最小二乘解作为迭代初值,利用高斯-牛顿迭代算法求解非线性速度场模型的未知参数,实现了CORS站高程时间序列数据的非线性建模;给出了拟合模型残差平方序列异方差特性的检验方法,阐述了建立GARCH(p,q)模型反映CORS站高程非平稳序列波动情况的基本准则。本文以国内外6个CORS站20余年的高程时间序列为研究对象,建立非线性速度场运动模型。结果表明:CORS站高程运动并不存在严格的整年或半年周期项,近似年周期运动最为明显,近似两年周期运动占比最小,年周期估计偏差达到12%,半年周期偏差18%,两年周期偏差6%,非线性建模精度和效果整体优于线性模型。利用ARCH检验法得到CORS站高程非线性模型的残差平方序列存在异方差性,即残差平方序列具有非平稳特性,引入GARCH(p,q)模型对CORS站高程分量非平稳残差平方序列建模,反映了残差平方序列的非平稳波动。验证了GARCH(p,q)模型对CORS站高程非平稳残差平方序列建模的可行性,为今后利用GARCH(p,q)模型对CORS站高程非平稳噪声序列建模和非线性速度场重构提供了思路。     

小波变换在时间序列特征提取中的应用

时间序列的数学特征主要包括随机项、周期项以及趋势项.针对变形监测等测绘领域中如何对时间序列进行特征提取并进行分析与预测等重要问题,提出一种基于多尺度分析的小波变换方法.首先选取合适的小波基函数、分解层次等参数,其次将待分析的时间序列分解成低频和高频两部分,最后将分解后的时间序列投射到不同尺度上,从而可以提取所需要的有用信息.研究结果表明,基于多尺度分析的小波变换方法能够有效对时间序列进行特征提取,分析出其中的随机项、周期项、趋势项等信息,可以用于GPS变形监测等工程实际中.     

边坡非线性位移的Verhulst-ARMA组合预测模型研究

针对ARMA模型中时序变量自身变化的复杂性及其预测的不确定性,利用Verhulst提取非平稳时间序列中的趋势项,再对剩下部分采用平稳时间序列建模,建立Verhulst-ARMA组合预测模型。运用文中组合模型对三峡某边坡滑移的实测数据进行分析,验证Verhulst-ARMA组合模型在边坡非线性位移预测中的可靠性和适用性。     

地表温度日变化模型偏差系数解算的地表温度降尺度

地表温度LST（Land Surface Temperature）是全球气候变化研究的关键参数,遥感是获取全球和区域尺度地表温度的一种切实可行手段,但现有的单一传感器无法提供高时空分辨率的LST数据,限制了遥感地表温度数据的深入广泛应用。现有的降尺度方法难以生成无缝高时空分辨率的地表温度数据,且降尺度效果易受高空间分辨率LST数据缺失及有效时刻分布影响。本文提出了一种基于地表温度日变化模型DTC（Diurnal Temperature Cycle）偏差系数解算的地表温度降尺度方法,采用FY-4A、MODIS和Landsat 8的LST数据生成晴空及多云条件下逐小时100 m的无缝LST数据。方法主要包含4部分：（1）利用空值重建方法获取无缝的FY-4A的LST数据;（2）建立FY-4A LST数据的DTC模型;（3）采用时空融合模型对MODIS的LST数据进行空间降尺度;（4）解算DTC模型偏差系数,获取逐小时100 m分辨率的无缝LST数据。实验结果表明,本文提出的方法具有较高的降尺度精度,可获得晴空及多云条件下无缝高时空地表温度数据,且高空间分辨率的地表温度数据缺失和有效时刻分布对本文方法降尺度结果影响较小。     

结合三次样条和时序模型的桥墩沉降预测

在时间序列模型中,等时间序列模型建模过程简单,预报准确,但观测时间是不等间隔的;三次样条插值可以对一定的区间进行有效内插,得到等时间间隔的拟合数据。针对两种模型的优点,该文结合等时间序列模型和三次样条插值进行高铁桥墩的沉降预测。首先通过三次样条插值将数据进行等时间间隔处理,然后利用得到的数据建立时间序列模型,最后通过三次样条插值求得相应观测时间的预测值。以某高铁桥墩沉降的观测点为例,分别进行原始数据时间序列建模以及三次样条插值和等时间序列组合模型建模。实验结果证明,组合模型的预测精度更高。     

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。     

时空Kalman滤波在变形分析中的应用研究

时空Kalman滤波可对变形监测数据进行时空滤波去噪、数据插补和变形预测,本文利用时空Kalman滤波进行变形分析,从模型原理及试验两方面比较分析了Kriged Kalman filter(KKF)、space time Kalman filter(STKF)和spatio-temporal mixed effects(STME) 3种典型时空Kalman滤波模型的性能和适用性。结果表明:3种时空Kalman滤波模型均基于空间基函数及动力学模型组合形式描述时空数据的时空相关性,其主要差异在于空间变异的描述形式不同、空间基函数和状态转移矩阵构造过程不同及模型降维方法不同。在适用性方面,KKF模型更适合于稀疏测站的变形分析,STKF模型及STME模型更适合于海量测站的变形分析。在变形分析应用效果方面,3种时空Kalman滤波模型均具有较高精度的时空滤波去噪、数据插补和变形预测性能,其滤波结果相对于普通Kalman滤波结果的平均改善率为21.1%,其缺失数据插补结果相对于Hermite时间插值结果的平均改善率为42.4%,其空间预测结果相对于Kriging空间插值结果的平均改善率为65.3%,其对已知测站未来变形的时空预测结果相对于普通Kalman滤波时间预测结果的平均改善率为20.6%,其对非观测站点未来变形的时空预测结果相对于Kalman滤波+Kriging组合模型预测结果的平均改善率为20.5%。     

面向过程的时空数据模型研究

根据近20年来时空数据模型的研究现状、存在问题及其原因剖析,以连续渐变地理实体的表达、组织和存储为研究对象,提出面向过程的时空数据模型。根据连续渐变地理实体的内在特性,将其分级抽象为过程对象系列,进一步探讨过程对象及过程对象间逻辑关系,并设计其UML模型结构及物理存储结构。通过抽象的过程对象隐式地记录地理实体动态变化机制,及自定义的过程对象存储表提供演变机制的函数接口模式,实现连续渐变地理实体的过程化组织、存储与动态分析。最后,以海洋数据的过程化组织与分析为例,构建时空过程模型原型系统(海洋过程对象—关系数据库系统与功能分析平台),验证和评价该模型的实用性。     

移动轨迹聚类方法研究综述

轨迹数据是人类移动行为的表征,能够映射出人的出行模式和社会属性等信息。怎样有效挖掘轨迹数据蕴藏的人类活动规律一直是研究的热点。通过轨迹聚类发现行为相似的类簇,从而探究群体的移动模式是轨迹挖掘和深度应用常见的方法之一。本文首先根据轨迹数据的特点,将轨迹数据模型分为轨迹点模型和轨迹段模型,并据此定义相应的相似性度量：空间相似性度量和时空相似性度量;然后,对两类模型的聚类方法进行了综述,并总结不同聚类算法的优缺点,以期为不同应用选取聚类算法提供科学依据;最后对移动轨迹数据聚类方法研究的发展趋势进行了讨论。     

对等网络下自适应层级的矢量数据时空索引构建方法

时空索引是时空数据存储和管理的关键技术之一,基于空间填充曲线(space filling curve,SFC)的索引方法近年来受到了广泛关注。然而对于矢量数据,现有索引方法多侧重于空间索引的实现,难以同时顾及时间查询和空间查询的效率,且对于非点要素(线要素与面要素),确定最优的索引级别一直是难点所在。为此,本文面向对等网络环境,提出一种自适应层级的时空索引构建方法。首先提出了基于分区键和分区内排序键组合策略的时空信息联合编码,然后据此设计了点要素、非点要素的时空表达结构,最后设计了多层级树结构以构建时空索引MLS3(multi-level sphere 3),并基于地理实体时间粒度及空间密度等特征自适应确定其最优索引层级。利用轨迹(点要素)、公路(线要素)和建筑物(面要素)实际数据进行了试验。试验结果表明,相比GeoMesa提出的XZ3时空索引,本文索引方法可有效解决非点要素的时空表达及层级划分问题,在避免存储热点的同时实现更为高效的时空检索。     

地理大数据挖掘研究进展与挑战

大数据时代,全面涵盖人类活动与地理环境信息的地理大数据为更全面认识“人-地”关系提供了新的机遇。数据挖掘是地理大数据产生“大价值”的关键。与传统目的性采样数据(或“小数据”)相比,地理大数据具有更细的时空粒度、更广的时空范围、更丰富的人地关系信息、更高的时空有偏性及更低的时空精度。地理大数据的独特性使得地理大数据挖掘面临新的挑战。本文首先对地理大数据挖掘与空间数据挖掘的区别与联系进行分析;然后,对当前地理大数据挖掘方法、应用及软件的研究进展进行回顾和总结;最后,对地理大数据挖掘面临的挑战和发展趋势进行了展望。通过对地理大数据挖掘研究进展进行系统的分析,有望为地理大数据挖掘理论与方法的完善提供一定的参考和借鉴。     

面向地理信息大数据的时空事件关系可视化分析框架

不同类型的地理信息大数据蕴含了丰富的时空关系,反映个体或者群体时空事件之间的变化模式,在资源、环境、交通等领域的智慧应用中起到关键性作用。然而,地理信息大数据拥有的多尺度和多语义特性,在挖掘地理信息大数据的时空关系时会存在许多困难。如何有效地构建多尺度多语义时空关系,并直观地表达这些时空关系是一个重大挑战。本文设计了一种时空事件关系可视化分析框架,通过定义事件间时空关系的描述,设计了一种多视图协同的可视化分析方法,结合时空关系的可视化协同交互,实现地理信息大数据时空事件可视分析。基于时空轨迹数据,通过试验说明该方法可以探寻时空事件及背景间的时空关系,实现时空事件的交互可视分析。     

时空数据模型及其在空间运动对象管理中的应用

当前时空数据模型多以描述空间实体的离散变化为主,在对空间运动对象分析的基础上,提出了支持空间对象连续运动的表示方法,该方法同时也能表示空间实体的离散变化,为建立连续运动空间对象的时空数据模型打下了基础。     

一种基于特征-语义的时空数据组织方法

在全面研究时空数据模型理论及构建方法的基础上,本文采用面向特征的数据模型构建方法结合时空语义思想,并引入无缝时空理念,探讨了一种基于特征的无缝时空数据模型构建方法。该模型将地理时空过程特征抽象为特征对象、特征事件、特征过程,不仅能够实现地理实体的空间数据组织及复杂拓扑分析,而且,通过描述特征事件、特征过程及其相互关系实现时空语义表达,进而实现海量信息存储以及高层次时空分析,也为通用性时空数据模型的构建提供了一种新思路。     

基于任务过程的战场环境对象时空数据组织模型

军事信息系统始终以面向任务为核心,战场环境数据模型也是围绕作战任务来建立的。针对目前基于任务的战场环境信息系统研究尚不完善,现有的GIS时空数据模型还不能完全满足战场环境时空分析的需要。在对目前几种经典的时空数据模型分析的基础上,以基于对象的数据模型为理论基础,以过程驱动方法为建模机制,设计了适合战场环境领域的时空数据组织模型结构,实现了对复杂环境对象的可操作性。通过模型在战场环境分析系统中的应用,证明了其任务过程和地理空间数据的可对象化描述、组织、存储和查询功能。     

顾及时空边界不一致性的增量识别计算

在快照式空间数据的增量识别中,时空目标的边界不一致性造成识别结果中存在伪增量,严重影响了增量信息的准确识别。针对现有方法不能区分哪些狭长多边形是边界不一致性造成的伪增量、哪些是地物本身呈狭长形态的真增量这一问题,本文研究提出了一种新的增量识别计算方法,该方法通过对时空目标边界的不一致性进行量化,并对量化结果进行判断,从而区分出真伪增量,并结合1:5万基础地理数据的增量识别进行了实验验证。研究与实验表明,该方法能够更加准确地识别增量,提高了变化分析的精度。