时空大数据应用，涉及采集、接入、存储、管理、分析诸多流程环节，每个流程环节又有众多技术路线及其实现框架可供选择。这些技术和框架叠加与融合，即构成了时空大数据技术体系，支撑时空大数据的多类型应用。
（1）数据接入层主要作为数据入口，负责时空大数据的接入与缓存，并供下游系统消费；
（2）数据存储和管理平台负责时空大数据的存储，并组织相应的索引接口，按访问模式可分为分布式文件系统型和非关系型数据库型两类：分布式文件系统型主要用于面向大规模数据量的聚合分析场景，而非关系型数据库型主要用于各类数据精确查询；
（3）数据处理与分析平台除了提供基本查询访问接口之外，进一步提供高性能分析方法，根据数据存在形式和应用场景，分为面向批处理的离线数据分析和面向流处理的实时流计算；
（4）应用层则根据需要，直接调用查询/处理层的访问接口与计算分析操作，或者通过二次开发来组合相关方法，以支持时空大数据的高阶应用。
日常生活中带有时间与位置标签的数据十分常见，人类生活中所产生的数据约有80％和时空位置有关。2011年，麦肯锡环球研究院Manyika等发布了报告“Big data: The next frontier for innovation, competition, and productivity”，报告提出医疗保健、零售、公共领域、制造业和个人位置这五大类数据组成了当前主要的大数据流，而这些数据都具有显著的地理编码和时间标签。
随着互联网、物联网和云计算的高速发展，数据获取手段向多元化方向发展，数据种类不断多样化，促使时空相关的数据呈现“爆炸式”的增长趋势，时空信息与大数据的融合标志着我们正式进入了时空大数据时代。时空大数据公认具备“4V”特征：规模性（Volume）、多样性（Variety）、高速性（Velocity）和有价值（Value）。此外，还具备对象/事件的丰富语义特征和时空维度动态关联特性，具体包括以下四点：
（1）时空大数据的要素包括对象、过程、事件等，且这些要素在空间、时间、语义等方面具有关联约束关系；
（2）时空大数据在空间和时间上具有动态演化特性，这些基于时空大数据要素的时空变化是可被度量的；
（3）时空大数据具有尺度特性，根据比例尺大小、采样粒度以及数据单元划分的详细程度可以建立时空大数据的多尺度表达与分析模型。
时空大数据从感知对象角度可以分为感知地理环境的时空大数据和感知人类社会活动的时空大数据。随着对地观测技术的发展，各类遥感数据成指数级增长并逐步积累，成为一类典型的时空大数据，即“遥感大数据”。随着互联网技术、社交媒体平台的不断发展和进步，人类活动每时每刻都会产生大量的时空数据，具有位置坐标和时间标签，具体包括移动轨迹数据、社交媒体数据、购物订单数据、手机信令数据等。这些数据记录着人类的日常生活，蕴含着人类活动的潜在规律，且它们正以前所未有的速度和规模增长和累积，亟待被合理、高效、充分地挖掘应用。
时空数据的高效管理是时空大数据实时、全面、系统地分析和计算的基础。时空数据具有非结构化特征，数据项不定，数据长度变长，记录甚至是嵌套的，因此时空大数据高效管理方案一方面需要有效组织大规模的时空数据，另一方面需要支持表结构组织管理非结构化数据。
时空大数据管理的关键技术包括时空索引和编码、适应时空非均衡数据的负载均衡、高效查询检索、管理平台技术等。
时空大数据综合管理平台是在数据管理平台和时空数据存储方案的基础上，结合时空大数据环境高效存取、多维索引的特点构建。大多数时空数据存储管理解决方案基于文件级管理平台和数据库级管理平台设计。
时空大数据分析就是在时空大数据中应用各种分析和挖掘模型，发现地理数据中潜在的、有价值的时空模式、关联关系及其随时间的演变趋势，对于理解复杂的地理学规律具有重要的科学价值。目前主要的时空大数据分析方法分为4类，包括时空聚类分析、时空异常分析、时空关联分析与时空预测分析。
（1） 时空聚类分析
时空聚类分析旨在发现地理空间中各类实体的时空分布格局与规律，对于揭示地理实体或地理现象的本质特征、相互依赖关系和演化趋势具有重要的指导意义。据聚类方法是否顾及非空间专题属性，可以将当前时空聚类分析方法分为二大类：时空位置聚类和顾及非空间专题属性的时空聚类。
（2） 时空异常分析
时空异常分析旨在从海量时空数据库中挖掘得到偏离整体或局部分布特征的少部分实体，为深入剖析地理现象或地理过程的特殊分布状况、变化或潜在发展规律提供重要的理论依据和实践指导。时空异常分析可视为事务型异常探测在空间域和时空域的扩展与延伸，进一步顾及了时空数据的相关性、异质性、非平稳性等特征。根据位置、时间、属性三者之间的组合关系，时空异常分析大致分为：基于位置的空间异常探测、基于位置-属性的空间异常探测、基
最低0.47元/天 解锁文章
1106
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
