时空数据库中数据建模的研究

研究了时空数据库中的时空建模技术。早期表示时空信息的数据模型通常用基于几何学的空间对象来表示实体，重要的特性都用空间对象的属性来表示。时态信息可以与基于时间戳的独立层次相关联，也可以与独立的空间对象相关联。随着时空建模的进一步发展，出现了面向对象的数据模型和基于事件的数据模型。综合研究了这些典型的时空数据模型，讨论了它们的应用及时空分析建模的作用。此外介绍了针对移动对象的数据类型的建模方法，以及在时空分析数据库管理系统STADBS中，基于Realms的二级平衡二叉树的时空数据模型。     

时空数据模型分类及特点分析

时空数据模型（Spatio-temporal Data Model）是TGIS（Temporal GIS即时态GIS）的核心,决定了TGIS系统操作的灵活性,影响和制约TGIS的研究发展。本文简要介绍了时空数据模型的发展历程和研究现状,着重分析了几种典型的时空数据模型,并从模型的时空表达和设计方法两个方面对其进行分类,指出各个模型的优缺点,同时结合当前时空数据模型研究过程中存在的主要问题,从建模机理、模型对象角度及模型功能方面对其发展趋势进行展望。     

时空对象关系模型研究

时空数据模型是时空数据库的研究重点之一，以往提出的时空数据模型存在着不同的缺点。本文以抽象数据类型为基础，提出了一个基于对象关系模型的时空对象关系模型STORM，给出了STORM的形式化定义，并证明STORM可以有效地表示时空信息和时空变化。     

基于时空模型的地籍信息数据库设计方法探讨

介绍了基态修正时空数据模型和改进基态修正时空数据模型,把改进基态时空数据模型引入到地籍信息系统中;分析了时空数据模型下地籍信息中宗地的组织原则,而后从概念设计、逻辑设计和图层设计以及数据库管理设计等方面探讨了利用改进基态修正模型进行地籍信息系统数据库的设计方法.利用该方法,可很大程度上节约地籍数据的存储空间和存取时间,更有利于地籍信息的时空查询.     

时空数据库模型和时间地理信息系统框架（续）

５时空数据库模型常见的时空数据库模型有两种,即基于矢量的时空数据库模型和基于栅格的时空数据库模型。它们是基于传统的矢量数据模型和栅格数据模型基础上派生的。这两种模型均可处理上述八种变化。在绝大多数模型中,对渐进变化的处理是通过减小时间微粒,把渐进变化...     

面向对象的3级结构时空数据模型

时态GIS的组织核心是地理时空数据库。时空数据模型则是时空数据库的基础。文中对已有的时态属性数据表达方法，时空数据模型进行了系统的分析。对设计时空数据模型所必须解决的问题进行了讨论。从面向对象的基本概念出发，着重阐述了面向对象时空数据模型的设计方法，完整地定义和描述了时空数据模型所涉及的时空对象类型。文中还对模型的时态属性数据组织和空间对象的时态处理进行了描述。     

用于运动趋势预测的灰色时空数据模型

时空数据库是现代数据库技术研究的新领域，其研究工作还处在模型研究阶段，已有的模型面向对象的过去信息，缺乏对时空对象将来运动趋势的计算与预测能力。为此，提出了一种新的时空数据模型，该模型不仅可以用于分析处理时空对象过去时刻的运动情况，还可以以较高的精度对近期将来的时空演化进行预测。该模型针对2维平面上自由运动的移动点对象，引入灰建模方法来降低离散抽样数据本身包含的不确定性，能够给出对象在一定时间上的整体运动趋势，从而提供更加精确的时空预测。     

基于事件的土地利用时空数据模型研究

先分析了 Peuquet(1995 )提出的基于事件的栅格时态数据模型 ESTDM,对该模型采用栅格结构所致的多属性描述局限进行了讨论 ,并提出了解决方案 :通过模型的属性索引访问“外部”的属性数据 .据此 ,结合土地利用的时空特点 ,设计了基于事件的土地利用时空数据模型 EL STDM及相应的时空数据库方案 ,并对土地利用变化的时空分析进行了探讨 .在此基础上 ,设计实现了土地利用变化时态 GIS原型系统 .试验结果表明 ,该时空数据模型满足了土地变化调查成果的管理和查询需求 ,对进一步的土地分析给予了较好的尝试 .     

基于时空数据分类的用户社交联系学习*

按照时空数据模型对时间和空间的表达方式,将时空数据模型分为基于时间的时空数据模型和基于空间的时空数据模型。本文提出了一种新的基于时空数据预测用户社交联系的模型,该模型将基于时间的时空数据集的特征和基于空间的时空数据集的特征进行融合,来预测用户社交联系。实验结果表明基于时间与空间特征融合的时空数据模型能更好地预测用户的社交联系。     

时空数据库模型和时间地理信息系统框架

时空数据库和时间地理信息系统是目前国际上ＧＩＳ领域比较热门的研究方向。本文在时间数据库概念的基础上,介绍了时间数据库和时空数据库几种常用的数据模型,提出了时间地理信息系统中进行时空管理和分析所应有的基本功能框架。     

特征-版本时空数据模型的研究

讨论传统时空数据模型的特点,设计了Geodatabase支持下的基于特征-版本的时空数据模型,并详细介绍该模型的时态逻辑关系和存储结构.该模型节约了数据存储空间,有效保持地理现象的完整性,并具有较高的时空查询效率.针对扎龙湿地,构建了湿地时空数据库,并设计扎龙湿地时态地理信息系统,实现历史重构、地理对象发展与回溯、时空复合查询等功能,有效完成湿地时空数据的管理任务.     

基于Geodatabase的面向对象时空数据模型

针对时空数据模型与时态地理信息系统研究中存在的几类问题,提出了一种通用的面向对象时空数据模型GOO—STDM。该模型从时空对象的基本属性和行为出发,运用面向对象方法,将地学对象封装为空间、专题、时间的整体,满足地学对象的what／where／when语义,具有良好的扩展性。在GOO-STDM基础上,利用Geodatabase模型,采用定制ArcGIS的方法,实现了支持双时态语义的原型TGIS系统,既能满足时空表达的需要,又继承了ArcGIS系统的功能。     

时空聚类分析的普适性方法

时空聚类分析是时空数据挖掘领域近年来研究的热点问题,对于揭示时空要素的发展变化趋势、规律以及本质特征具有重要意义.目前,时空聚类分析的研究仍还初步,缺乏具有普适性的时空聚类分析方法.为此,本文首先建立了一套时空聚类分析的普适性理论方法框架.进而,借助时空统计学、智能计算等工具,提出了一种时空一体化的时空聚类方法.该方法很好地顾及了时空数据的时空耦合、时空相关与时空异质特征,避免了过多人为主观因素的干扰,时空聚类结果具有较好的可靠性.通过采用中国陆地区域42年(1951～1992)年平均气温时空数据进行分析,验证了本文提出的理论与方法的可行性与有效性.     

基于时空分区聚簇的海量时空数据性能优化方法研究

时空一体化的海量数据管理及相应的时序分析能力是新一代GIS软件体系的重要研究目标之一。当前，基于无缝海量大表的空间及时态空间数据的存取效率亟待提高。为了对海量时空数据进行有效管理和提高时空检索效率，以扩充关系型时空模型为基础，对大型对象一关系型数据库平台所提供的数据分区与聚簇方法进行了时空维的扩展，提出了基于时空分区聚簇（spatio-temporal partition clustering，STPC）的海量时空数据性能优化方法。基于2GB～60GB的单表所进行的检索效率对比测试结果表明，STPC机制较普通的数据组织方式时空检索效率平均提高了10．1％。     

面向交通流量预测的时空超关系图卷积网络

交通流量预测是智能交通系统中的重要研究课题,然而,交通对象（如站点、传感器）之间存在的复杂局部时空关系使得这项研究颇具挑战。尽管以往的一些研究将流量预测问题转化为一个时空图预测问题从而取得了较大的进展,但是它们忽略了交通对象们跨时空维度的直接关联性。目前仍缺乏一种全面建模局部时空关系的方法。针对这一问题,首先提出一种新颖的时空超图建模方案,通过构造一种时空超关系来全面地建模复杂的局部时空关系;然后提出一种时空超关系图卷积网络（STHGCN）预测模型来捕获这些关系用于交通流量预测。在四个公开交通数据集上进行了大量对比实验,结果表明,相比ASTGCN、时空同步图卷积网络（STSGCN）等时空预测模型,STHGCN在均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）这三个评价指标上均取得了更优的结果,不同模型运行时间的对比结果也表明,STHGCN有着更高的推理速度。     

时空推理研究进展

与时态和空间有关的推理问题是人工智能研究中重要的组成部分,在地理信息系统、时空数据库、CAD/CAM等领域有着重要应用.从本体、表示模型和推理方法3个方面分别介绍了时态推理和空间推理的发展,并在此基础上综述了时空结合推理的研究进展.讨论了目前时空推理领域存在的问题,并指出了今后的发展方向.     

基于UML类图的模糊时空数据建模

模糊性广泛存在于时空应用领域,现有的时空数据模型缺乏描述和表达模糊时空对象内在机制和语义关系的能力。通过研究模糊时空数据语义,给出了模糊时空数据模型的形式化定义,在此基础上对UML类图进行扩展,提出一种模糊时空UML数据模型,并用例子说明本文所提模糊时空数据模型的可用性。     

海战场时空数据建模

目前的海战场信息系统中数据表达是基于时刻的,以反映瞬时的战场信息为主,对历史信息、空间信息处理简单,难以满足复杂应用的需要.综合分析现有时空数据模型的基础上,立足于海战场数据特性,引入时空代数系统并加以扩展,建立了海战场时空数据表达模型.模型的支持下设计的原型系统实现了海战场时空数据存储、查询和时空关系运算的优化.     

一种基于数据融合和方法融合的时空综合预测算法

时空数据挖掘是数据挖掘中的重要研究内容,其中时空预测的应用领域最为广泛．针对目前时空预测方法中的不足,提出了一种基于数据融合和方法融合的时空综合预测算法．该方法首先采用统计学原理对目标对象本身的时序进行预测;然后通过神经网络解算相邻对象的空间影响,继而对混合数据序列使用时空自回归预测模型;最后使用线性回归将单个的时间预测、空间预测和时空预测有效地融合在一起,得到综合预测结果．应用该方法预测铁路客流,突破了传统铁路客流预测方法的局限,实验结果表明了算法的有效性．     

伴随时空特性的雷电预测BP-ANN模型研究

为提高雷电预测模型的准确率和学习性能，提出一种基于增量学习和时空特性的雷电预测BP-ANN二项分类器。通过增量方式和依据数据的时空特征进行历史数据的学习，建立多种BP-ANN模型，分别对新的数据进行预测分类，然后采用多数投票方式确定新数据的类别。分别构建基于增量学习的BP-ANN模型、基于时空特性的BP-ANN模型以及结合基于增量学习和时空特性的BP-ANN模型这3种雷电预测模型，并在真实雷电数据集上进行预测准确度和学习性能的测试，结果表明了增量学习、时空特性以及二者结合的优劣。