面向大数据的时空数据挖掘综述_吉根林

资 源 简 介

面向大数据的时空数据挖掘综述_吉根林

详 情 说 明

时空数据挖掘作为大数据分析的重要分支，近年来在智慧城市、交通规划、环境监测等领域展现出巨大潜力。本文综述了吉根林团队在该领域的研究进展，重点探讨了面向大数据的时空数据处理核心挑战与关键技术。

时空数据具有多维性（时间、空间、属性）、动态性和海量性三大特征。传统方法在处理TB级时空轨迹数据时面临存储瓶颈和计算效率问题，而分布式计算框架（如Spark、Flink）与新型时空索引的结合成为主流解决方案。

研究团队系统梳理了时空模式发现的四类典型方法：基于密度的聚类（如ST-DBSCAN）、周期模式挖掘、异常检测算法以及时空预测模型。特别强调了深度学习在时空预测中的突破性应用，例如通过图神经网络捕捉路网拓扑关系，或利用时空注意力机制处理气象数据中的长程依赖。

未来方向聚焦于多源异构时空数据融合、轻量化边缘计算部署，以及面向隐私保护的联邦学习框架。该综述为研究者提供了清晰的技术演进路线图，也揭示了时空智能与产业结合的创新机遇。