泛在时空大数据驱动的地理空间智能预测研究
文献类型：学位论文
| 作者 | 王培晓 |
| 答辩日期 | 2025-08 |
| 文献子类 | 博士后出站报告 |
| 授予单位 | 中国科学院地理科学与资源研究所 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 陆锋 ; 张恒才 |
| 关键词 | 无 |
| 学位名称 | 博士后 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 地理空间智能预测是地理信息科学与人工智能深度融合的典型技术，也是地理大数据挖掘的前沿研究主题。泛在地理信息时代，高动态非结构化的交通、空气质量、气象等地理时空数据呈爆发式增长，这不仅为相关研究提供了丰富的数据源，也促进了地理空间智能预测技术的快速发展。在此背景下，本文回顾了地理空间智能预测的技术发展历史和现有的地理空间智能预测模型，阐述了智能预测模型中的时空依赖关系嵌入机制与通用计算算子，提出了轻量化的地理空间智能预测模型、抗缺失的地理空间智能预测模型和可解释的地理空间智能预测模型，思考并提出了智能预测模型存在的挑战及未来发展趋势。具体而言，本文的主要内容分为以下四个方面： （1）面向复杂多样的地理空间智能预测模型，本文提出了“地理空间智能预测基础算子”的概念，通过将复杂的智能预测模型解耦为基础算子的组合，简化模型的构建过程。基于这一框架，本文总结了三类常见的基础算子——时间关系建模基础算子、空间关系建模基础算子以及时空关系建模基础算子，并重点探讨了时间关系、空间关系和时空关系挖掘的基础算子PyTorch编码实现。此外，本文以特定的地理空间智能预测模型为例，深入展示了数据加载、模型构建、预测精度指标计算、模型训练、模型验证等各个环节。 （2）面向存在的大多数地理空间智能预测模型复现性与易用性差的难题，本文依次建立了轻量的时空图膨胀卷积神经网络模型、轻量的参数共享膨胀卷积神经网络模型及面向大尺度稀疏场景的轻量集成预测器。本文将提出的三个轻量化的地理空间智能预测模型应用于交通流预测、空气质量预测及气温预测三个任务。实验结果表明，提出的智能预测模型具有更容易超参数校准过程，并以更快的时间效率和更少的模型参数超越或达到了现有的基线模型的预测精度。 （3）面向存在的大多数地理空间智能预测模型鲁棒性与抗缺失性不足的难题，本文依次建立了抗缺失的因果图神经网络模型、抗缺失的动态图神经网络模型及抗缺失的因果图注意力神经网络模型。本文将提出的三个鲁棒的地理空间智能预测模型应用于交通流预测、空气质量预测及气温预测三个任务。实验结果表明，提出的智能预测方法不仅在非缺失场景下具有优越的预测精度，而且在缺失数据场景下依然能够保持高水平的预测性能，显著提升了模型在面对数据缺失时的鲁棒性和可靠性。此外，本文可视化了智能预测模型的缺失数据自动处理机制，从而解释了智能预测模型具有优越预测性能的原因。 （4）面向存在的大多数地理空间智能预测模型透明度与可解释性有限的难题，本文依次建立了融合注意力的神经常微分方程模型、先验引导的门控卷积时空神经网络模型及集成时空SHAP的时空随机森林模型。本文将提出的可解释的地理空间智能预测模型分别应用于空气质量预测、降雨预测及城市私人电动车出行需求预测三个任务。实验结果表明，实验结果表明，提出的智能预测方法不仅具有良好可解释性，且在预测精度上优于或逼近于存在的基线方法。其中集成SHAP的时空随机森林模型可以有效揭露建模私人电动自行车出行的出行机制，融合注意力的神经常微分方程模型和先验引导的门控卷积时空神经网络模型可以有效揭露地理空间数据中的时空依赖关系。 |
| 语种 | 中文 |
| 页码 | 337 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/217392]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 王培晓. 泛在时空大数据驱动的地理空间智能预测研究[D]. 中国科学院地理科学与资源研究所. 中国科学院地理科学与资源研究所. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。