多模态地理大数据时空分析方法

发布时间：2022-02-18 21:05

　　多模态地理大数据时空分析旨在融合地理大数据的多模态信息发现有价值的时空分布规律、异常表现、关联模式与变化趋势,是全空间信息系统的核心研究内容,并有望成为推进地理学人地关系研究的重要突破口。为应对地理大数据时代的新机遇与挑战,本文围绕4类核心的时空分析方法（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）,系统归纳了国内外研究现状,探讨了时空分析中多尺度建模、多视角协同、多特征认知与多特性表达的研究难点。进而,介绍了多模态地理大数据时空聚类、异常、关联与预测分析模型,更加全面、客观、精准地认知与理解时空大数据中潜在的地理知识,并且能够在气象环境监测、公共安全管理、城市设施规划等多个应用领域发挥关键作用。 

【文章来源】：地球信息科学学报. 2020,22(01)北大核心CSCD

【文章页数】：16 页

【文章目录】：
1 引言
2 地理数据时空分析的现状与挑战
    2.1 时空聚类分析
    2.2 时空异常分析
    2.3 时空关联分析
    2.4 时空预测分析
    2.5 时空分析的难点问题
3 多模态地理大数据时空分析的关键技术
    3.1 尺度驱动的时空聚类分析
    3.2 融合多视角关联知识的时空异常分析
    3.3 顾及多模态分布特征的时空关联分析
    3.4 融合时空数据多重特性的时空预测分析
4 总结与展望


【参考文献】：
期刊论文
[1]地理大数据挖掘的本质[J]. 裴韬,刘亚溪,郭思慧,舒华,杜云艳,马廷,周成虎.  地理学报. 2019(03)
[2]地理大数据为地理复杂性研究提供新机遇[J]. 程昌秀,史培军,宋长青,高剑波.  地理学报. 2018(08)
[3]多模态时空大数据可视分析方法综述[J]. 朱庆,付萧.  测绘学报. 2017(10)
[4]尺度驱动的空间聚类理论[J]. 李志林,刘启亮,唐建波.  测绘学报. 2017(10)
[5]面向全空间信息系统的多粒度时空对象数据模型描述框架[J]. 华一新,周成虎.  地球信息科学学报. 2017(09)
[6]顾及背景知识的多事件序列关联规则挖掘方法[J]. 何占军,邓敏,蔡建南,刘启亮.  武汉大学学报(信息科学版). 2018(05)
[7]全空间信息系统的核心问题和关键技术[J]. 华一新.  测绘科学技术学报. 2016(04)
[8]面向城市交通应用的移动对象聚类算法比较研究[J]. 刘文凯,唐建波,蔡建南,熊强强,刘启亮.  地理与地理信息科学. 2016(06)
[9]时空异常探测方法研究综述[J]. 邓敏,石岩,龚健雅,杨学习.  地理与地理信息科学. 2016(06)
[10]轨迹大数据异常检测:研究进展及系统框架[J]. 毛嘉莉,金澈清,章志刚,周傲英.  软件学报. 2017(01)



本文编号：3631552