基于时空关联度加权的LSTM短时交通速度预测

提出一种基于时空关联度加权的长短期记忆网络(Long Short-Term Memory,LSTM)短时交通速度预测模型。该模型结合综合动态时间规整(Summation Dynamic Time Warping,SDTW)和拓扑邻接关系设计了一种路段速度序列之间时空关联程度的度量方法,然后基于该度量值对路段速度历史观测值进行加权,进而使用LSTM从加权观测序列中提取路段速度的时空变化特征,实现对短时交通速度的预测。实验表明,交通速度预测模型预测结果相比传统的ARIMA模型、SVR模型以及LSTM模型均有提升,实现了更高精度的速度预测。     

时空大数据背景下并行数据处理分析挖掘的进展及趋势

随着互联网、物联网和云计算的高速发展,与时间、空间相关的数据呈现出“爆炸式”增长的趋势,时空大数据时代已经来临。时空大数据除具备大数据典型的“4V”特性外,还具备丰富的语义特征和时空动态关联特性,已经成为地理学者分析自然地理环境、感知人类社会活动规律的重要资源。然而在具体研究应用中,传统数据处理和分析方法已无法满足时空大数据高效存取、实时处理、智能挖掘的性能需求。因此,时空大数据与高性能计算/云计算融合是必然的发展趋势。在此背景下,本文首先从大数据的起源出发,回顾了大数据概念的发展历程,以及时空大数据的特有特征;然后分析了时空大数据研究应用产生的性能需求,总结了底层平台软硬件的发展现状;进而重点从时空大数据的存储管理、时空分析和领域挖掘3个角度对并行化现状进行了总结,阐述了其中存在的问题;最后指出了时空大数据研究发展趋势。     

一种面向CPU/GPU异构环境的协同并行空间插值算法

CPU/GPU异构混合系统是一种新型高性能计算平台,但现有并行空间插值算法仅依赖CPU或GPU进行加速,迫切需要研究协同并行空间插值算法以充分利用异构计算资源,进一步提升插值效率。以薄板样条函数插值为例,提出一种CPU/GPU协同并行插值算法以加速海量激光雷达（light detector & ranger,LiDAR）点云生成数字高程模型（DEM）。通过插值任务的分解与抽象封装以屏蔽底层硬件执行模式的差异性,同时在多级协同并行框架基础上设计了Greedy-SET动态调度策略,策略顾及底层硬件能力的差异性,以实现异构并行资源的充分利用和良好负载均衡。实验表明,协同并行插值算法在高性能工作站上取得19.6倍的加速比,相比单一CPU或GPU并行算法,其效率提升分别达到54%和44%,实现了高效的协同并行处理。     

基于出租车上下客数据流与分布式多阶段网格聚类的城市热点区域实时探测方法

城市热点区域的实时探测能够提高管理者对突发事件的响应能力。随着物联网、通信技术的发展，出租车运单的起讫信息实时上传至数据中心，形成了持续的上下客数据流。考虑到出租车具有全天候运营、全区域覆盖、数据时空分辨率高等特点，其上下客数据流可作为城市热点区域实时探测的有效信息源。目前，面向静态上下客数据集的热点区域探测方法不支持流式数据的处理，难以直接应用于实时的热点区域探测，而现有流式聚类算法难以同时满足低聚合成本、任意形状类簇识别、灵活扩展性等要求。面对以上挑战，本文基于分布式流计算技术，设计了适用于出租车上下客数据流的城市热点区域探测算法，基本思想为将上下客数据流映射至网格状监控单元，并以时间窗口为单位统计各监控单元热度，在此基础上进行热点单元的分布式识别，最终将热点单元汇聚为热点区域。为了避免分布式算法中聚合算子的性能瓶颈，本文进一步设计了由冗余分区、链接识别、修正规则构建、区域ID修正、区域生成等步骤组成的多阶段分布式区域合并算法。最后，本文基于分布式流计算框架Flink实现了上述算法，并使用武汉市出租车数据集、纽约市出租车上下客数据集模拟数据流开展实验，结果表明本算法可以高效挖掘城市...     

一种面向时空对象及其关联关系动态变化表达的概念数据模型

根据全空间信息系统中地理实体基本特征以及存储管理的需求,本文提出了一种面向地理实体及其关联关系动态变化表达的时空数据模型。① 在地理实体方面,将其抽象为由有序、无缝对象片段组成的时空对象,并建立了对象片段表达的三元组模型,即空间位置、几何形态和属性特征;② 在关联关系方面,采用基于RDF模型来对空间关系和属性关系进行形式化描述;③ 在动态变化方面,将地理实体的变化分为空间位置的变化、几何形态的变化和属性特征的变化,关联关系的变化分为空间关系和属性关系的变化,并分别采用快照/增量、方程/模型2种方式来统一表达它们的离散和连续变化。该模型可显式地描述动态的时空对象及其关联关系在时空过程中的变化,有助于探讨和挖掘地理现象的基本变化规律和内在关联性。     

融合多源遥感影像的城市扩展识别与空间驱动分析

鉴于当前较难获取最新高精度长时序遥感城市土地监测图,现有城市扩展空间驱动分析实践识别主要驱动因子时未检验因子集的全局解释性且较少关注空间溢出效应。以东莞为实验对象,集合Landsat影像和MODIS归一化植被指数（normalized differential vegetation index,NDVI）时序产品,构建深度学习分类器,获取高精度土地覆盖分类图,识别城市扩展,使用基于logistic回归的探索性回归识别解释东莞全局城市扩展的最优因子集,进而使用auto logistic回归测度空间溢出效应的影响并进行驱动分析。研究发现：(1)基于深度学习分类器,融合Landsat光谱、纹理和MODIS NDVI时序变化信息可获取高精度（Kappa>93%）土地覆盖分类图;(2)基于探索性回归可良好识别解释全局城市扩展的最优因子集,受试者工作特征曲线（receiver operating characteristic curve,ROC）>0.85;(3)2000—2020年,最优解释东莞全局城市扩展的主要空间驱动因子有城市规划方案、距建成区距离、空间加权城市密度、城市扩展的空...     

基于GIS和MARC的地图资料管理系统

提出了基于GIS和MARC的地图资料管理方法,采用了MARC作为地图元数据格式,实现了在可视化界面下按照地理位置检索地图。