针对传统方法建立的空间权矩阵难于真实、准确地反映空间邻近变量之间相互影响的不足，提出一种基于样本数据驱动的空间权矩阵建立方法，将建立空间权矩阵转换为求解未知系数线性方程；针对STARMA模型只具有线性形式而无法捕获时空序列中非线性模式的不足，提出STARMA网络模型，采用网络结构，以非线性函数代替线性组合。通过实验分析验证了基于样本数据驱动的空间权矩阵建立方法和STARMA网络的有效性。

针对交叉口入口路段交通视频中存在车辆遮挡严重、频繁走停以及频繁换道插队等特点，提出了一种获取交叉口停车线后大视野范围内车流量以及车辆换道率的检测方法。首先采用多级虚拟特征线生成多级时空图，对车辆进行快速检测和分割，获得车辆候选区域；然后对车辆候选区域内局部特征点进行初步分组和跟踪，并根据相同组内特征点运动趋势相似性来修正分组，解决车辆遮挡问题，用于检测车辆换道率；最后将多级时空图与特征点跟踪相结合，进行相互反馈，实现对车辆准确分割和鲁棒跟踪，避免车辆行驶中走停的影响。实验结果表明，通过该方法能实时准确地获取大视野范围内交叉口入口路段车流量和车辆换道率的交通参数。

基于时空众包的城市交通态势感知技术计算机研究.docx

基于时空LSTM的OD客运需求预测

不再维护此独立版本的 EOF 功能。 它仍然可以正常工作，但您可以在此处的 MATLAB 气候数据工具箱中找到最新版本： https : //www.mathworks.com/matlabcentral/fileexchange/70338 。 如果 eof 函数对您有用，请引用我们的 MATLAB 气候数据工具箱论文！ 此函数简化了将经验正交函数（时空主成分分析）应用于气候数据等 3D 数据集的过程。 EOF 分析实施起来并不十分困难，但通常会花费大量时间试图弄清楚如何重塑大型 3D 数据集、获取 EOF，然后取消重塑。 此函数为您完成所有重塑工作，并以计算效率高的方式执行 EOF 分析。 分析方法是Guillame MAZE的caleof函数方法2的精简优化版。 有关描述如何对气候数据执行 EOF 分析的完整说明和深入教程，请单击上面的示例选项卡。

多步骤提前预测 该项目的目的是研究时空数据的多步提前预测中的两个方面： 动态模型与静态模型：我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中，先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后，将循环网络的输出扩充到数据中的其他要素，以形成完整的要素集。 相反，在静态模型中，没有递归的体系结构，并且先前时间步长上的时间序列值直接增加到其他特征上。 数据拆分方法：我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比，为时间序列数据形成验证集更具挑战性。 具体来说，许多机器学习任务可以看作是插值，其中训练和测试集中的特征范围是相似的。 另一方面，时间序列预测（特别是多步提前预测）是一项外推任务。 我们要提出的问题是，在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。 我

千岛湖浮游植物群落结构时空分布及其与环境因子的关系

GTWR时空地理加权回归，解决了回归参数随空间位置的变化问题，另外加入了时间信息

“互联网+”时空大数据与“GIS”的演进和发展-王家耀，王家耀院士对于时空大数据的思考与理解。“互联网+”时空大数据与“GIS”的演进和发展-王家耀

基于可可西里地区湖泊边界矢量数据和2000-2011年2816景MODIS MOD09GA数据产品，采用阈值法提取可可西里地区面积大于100 km2的22个湖泊冰情时空变化数据集（2000-2011）。该数据集由三部分组成：（1）湖泊冻结统计数据，包括每一个湖泊开始冻结、完全冻结、开始消融和完全消融时间以及封冻期和完全封冻期的统计信息；（2）湖泊冻结的空间模式数据，包括湖岸—湖岸、湖岸—湖心和子湖—全湖三种模式；（3）湖泊冰情时空变化趋势数据，包括推迟和提前两种类型数据。为了验证数据集的精度，运用891景Landsat TM/ETM 遥感影像对提取的湖泊冰情数据进行验证，结果表明运用阈值法提取的湖冰数据具有较高精度，误差小于2%。