1、隨著共享經濟和物聯(lián)網(wǎng)應用的不斷發(fā)展，逐漸產生了前所未有的時空數(shù)據(jù)，如共享單車軌跡、人群流動行為等。時空數(shù)據(jù)的分析，尤其是從海量的時空數(shù)據(jù)中獲取有意義的信息，目前在學術界和工業(yè)界獲得了廣泛的研究和應用。一方面，時空數(shù)據(jù)分析通常采用特征工程和機器學習等方案。然而，大多數(shù)時空數(shù)據(jù)例如城市數(shù)據(jù)，通常具有稀疏性等問題。此外，一部分應用對于海量時空數(shù)據(jù)的學習能力通常有時效性的要求，然而在分析的實際過程中通常需要昂貴的物質和時間成本。另一方面，時空數(shù)

2、據(jù)的結構化表達和語義挖掘在構建和提升時空數(shù)據(jù)分析模型的可解釋性等方面具有相對的優(yōu)勢，結合傳統(tǒng)的機器學習框架和結構化的時空知識是進一步提升時空數(shù)據(jù)分析的重要途徑之一，存在較大的研究空間。
　　本文主要介紹了針對稀疏、海量和可解釋的時空數(shù)據(jù)分析的若干方法和應用。研究的主要內容包含五個方面:
　　(1)從社交媒體、物理傳感器等數(shù)據(jù)源獲取時空數(shù)據(jù)并建模，以城市數(shù)據(jù)為例對城市區(qū)域進行劃分，利用特征工程和基于語義挖掘的方法提取時空數(shù)據(jù)相

3、關特征，以幫助解決實際問題。
　　(2)研究基于多視圖遷移學習的訓練方法以解決時空數(shù)據(jù)稀疏性問題。
　　(3)提出基于極限學習機的高效海量時空數(shù)據(jù)處理方法以解決在應用中遇到的時效性問題。
　　(4)提出一個基于語義挖掘的時空數(shù)據(jù)分析框架。它通過本體建模構建結構化時空數(shù)據(jù)表達，利用圖挖掘和特征融合對時空知識進行量化，并通過融合機器學習以取得對分析結果的可解釋性。
　　(5)將以上時空數(shù)據(jù)分析的若干方法應用在城市計算