刘 博，王明烁，李 永，陈洪丽，李建强

(北京工业大学信息学部，北京 100124)

目前，时空数据广泛存在诸多领域，如交通运输[1-2]、气候科学[3-4]、按需服务[5-6]、神经科学[7-8]等.由于这些领域所研究的内容在现实世界中本就存在固有时空特性，再加上近年来定位系统、传感器网络等技术的快速发展，物理存储能力不断提升，使得在现实中采集得到的时空序列数据呈爆炸式增长，所以准确挖掘以捕获海量时空序列数据中的时空特征，并在此基础上建模对时空序列预测至关重要.

时空序列数据是嵌入在连续空间中，同时具有空间和时间相关性的数据，可以通过不同角度定义时空序列以及时空序列的特征，可以将空间位置视为对象，并将随着时间推移从空间位置收集到的属性值来定义特征，也可以将时间点视为对象，考虑使用所有的空间位置收集到的属性值来定义特征.由于时空序列数据在时空维度存在相互依赖的关系，通常具有高度的自相关性.也正是时空序列数据的这些特点，使得经典数据挖掘技术直接应用在时空序列数据上性能较差，无法捕获其中复杂的时空数据相关性.

对时空序列预测时，不仅要考虑时间维度上的依赖性，同时还要考虑空间维度的依赖，而随着时间推进，空间维度的相关性也会发生动态变化[9].目前已有大量针对时空序列预测的研究工作，主要分为数值预报方法和统计预报方法.数值预报方法是依靠研究……