【科研笔记】时空大数据挖掘——前言

一. Characteristics of ST Data

时空数据，顾名思义其主要由时间维度和空间维度数据组成，数据呈现多面立体型。

首先，考虑在空间维度上有哪些特性值得我们思考？？？时间维度又有哪些特征是我们在考虑时序时必须考虑到的呢？？？

空间相关

1）spatial closeness  

地理学第一定律：Everything is related, similar things are more closely related
2）spatial hierarchy

元素空间粒度不同，具有不同的空间结构层次——多层次性、多面性
3）spatial distance

描述空间对象物理距离

 时间相关——时序的重要特性

1）Closeness

根据时间连续性，一般情况下，相邻时间的数据具有很强的相似性。其特征表示相近（you could see it after embedding）。
2）Periodicity

季节性：序列的平均值有规律的、周期性的变化，称时间序列表现出季节性。 季节性变化通常遵循时钟和日历——一般一天、一周或一年的重复。
3）Trend

趋势性：时序随时间变化整体呈现出的一种上升或下降趋势（在一定时间内单调）。

 二. 时空（ST）大数据挖掘研究的一种可行paradigm：时空大数据综合时、空领域内知识系统，结合AI，赋能智慧城市。

**主体意识：城市——时空场——数据生产者—— Different subjects correspond to different problems, corresponding to different models and data elements.

One possible analyzsis thought：

        城市每天的生产生活活动都会产生海量的信息；根据任务场景的不同，选取需要的数据，进行清洗；又根据城市/社会模型以及所选数据的时空特性（不同领域的数据具有不同的特异属性--后续分享）综合建立所需的模型。

三. How to do it ? 

Modeling pipeline of Spatio-Temporal AI

Step1.分析原生数据(Raw data)：POI兴趣点，RN路网结构，Traj轨迹数据等。
Step2.（Dataset）转换Raw数据为更加适配神经网络模型的数据格式——转换合适数据类型：时空轨迹、时空格子数据、时空图数据、时空序列数据。
Step3.（Model selection and ST-AI model build）模型选择与搭建: 

(1)机器学习的方法；

(2)ST神经网络（优点）：

2.1)相对之下有更大的容量，有利于时空模型的构建:Larger capacity; 

2.2)自动特征提取Auto featre extraction;

2.3)考虑额外的外部因素，如天气和时间的影响friendly to cross-domain data fusion,e.g., considring external factors.

搭建模型的基础组件模块：

 四. 下游任务：

时空数据挖掘的主要下游任务有：预测、异常检测、数据插补、推荐、任务规划、分类等。

在建模过程中，需要先明确任务目标，才能更好选择使用哪些理论和基础block，并设计合适的loss Function。

ST科研分享开端——认识时空场，发现运行规律

随着机器学习、深度学习的不断发展，时空分析领域不仅仅限于使用物联网传感器检测、运筹统计、GIS空间数据分析、地统计等方向，AI+X赋能众多“基科”，推动了全新的数据挖掘建模方式。

接下来本频道将交替更新time serise 、Spatiotemporal科研入门相关知识的讲解和论文讲解分享。从基础理论的角度出发，有侧重地讲述数据科学、网络科学以及AI赋能下的ST-BD。

期待有志同道合的博友一起学习交流 ^-^ !