- 综合排序
- 最热优先
- 最新优先
- 来自专栏好奇心Log
时空地理数据大搜寻计划（三）
点击下方公众号，回复资料，收获惊喜 收集数据也算是我的一大爱好，所以今天给大家分享一些可能会用到的时空地理数据，具体用到的时候还是要仔细地去看技术文档的。 由哥白尼土地局的全球部门制作，取材自PROBA-V卫星观测和辅助数据集，可以下载到电脑本地 ? ? ###### [2] 荷兰0.5米分辨率非插值DEM数据体验。 [5]全球高分辨率地表水分布数据(1984-2020)。 [7]全球土壤湿度数据。 www.frontiersin.org/articles/10.3389/fdata.2020.00010/full#h8 （3）https://nsidc.org/data/SPL3SMP/versions/5
82820发布于 2021-05-28 - 来自专栏好奇心Log
时空地理数据大搜寻计划（二）
数据是GIS的血液。时空地理数据是我们经常会用到的，很多时候，分析数据可能花不了多长时间，但是收集一些合适的数据总是耗时最多，So,这一次再去搜索GIS时空地理数据，Go! 3.哈佛地理空间数据集[http://hgl.harvard.edu:8080/opengeoportal/] ? 4.区域地图[https://dataverse.harvard.edu/dataverse/hrs] 提供有shp文件，以及一些社会经济数据 ? ? ? 5.历史地图集合 [https://sites.fas.harvard.edu/~chgis/] ? [https://www.oldmapsonline.org/en/] ? OK,这一期的时空地理数据收集就先到这里了，不论是做历史地理研究，比如分析城区的扩展历史，还是用来观赏，这些地图都具有了研究价值和美学价值，应该是不错的了 最后，感谢大家的分享与转发！
78710发布于 2021-05-28 - 来自专栏算法进阶
时间序列和时空数据大模型综述！
我们引入了统一且结构化的分类法，将现有研究分为两个主要集群：时间序列大模型（LM4TS）和时空数据大模型（LM4STD），根据数据类别进行组织。 图2 大模型（即语言和其他相关的基础模型）可以被训练或巧妙地重新用于处理时间序列和时空数据，以用于一系列通用任务和专用领域应用。 3 时间序列数据的大模型 时间序列数据的大模型包括用于时间序列数据的LLM（LLM4TS）和用于时间序列数据的PFM（PFM4TS）。 时空图的大语言模型 相较于PFM，使用LLM增强STGNN学习能力的文献较少。 5 资源和应用 本节总结了与时间序列和时空数据相关的各种应用中常见的数据集、模型和工具，具体如表3。
6.5K12编辑于 2024-03-18 - 来自专栏时空探索之旅
ICLR 2026 | 时空数据(Spatial-Temporal)论文总结（物理时空和气象时空：气象预测，时空点过程等）
本文总结了ICLR 2026时空数据（Spatial-Temporal）的论文，总计36篇，本文涉及13篇，如有疏漏，欢迎补充。 注：由于论文数目较多，分为上下篇，基于数据生成机制与应用场景的本质差异对论文进行分类： 上篇主要涵盖交通时空数据以及城市科学等内容，包括交通预测，人群移动，轨迹挖掘，交通模拟，自动驾驶，信号控制等内容。 下篇主要涵盖：气象时空和物理时空，如气象预测，时空点过程，时空动力系统等 观察：下篇文章统计值 最大均分 均值 最小均分 7 5.31 4 其中均分≥6的有3篇。 1. Gencer Sumbul, Li Mi, Robin Zbinden, Devis Tuia 分数：4, 4, 8, 6 信心：4, 4, 3, 3 均分：5.5 推荐阅读 ICLR 2026 | 时空数据 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读，我们将竭诚为您宣传,共同学习进步。如有意愿,请通过后台私信与我们联系。 如果觉得有帮助还请分享，在看，点赞
35910编辑于 2026-03-10 - 来自专栏时空探索之旅
AI论文速读 | STG-LLM 大语言模型如何理解时空数据？
这些研究为理解和改进时空数据的预测提供了多种方法和模型，但大多数方法专注于特定领域或数据结构，且在处理时空依赖关系时可能需要复杂的模型设计和大量的数据。 三种LLM应用时空数据的方法 Figure1（a）: 使用自然语言描述时空数据，其中时空数据被转换为文本，这种方法需要大量的token来充分描述时空数据。 此外，现有的LLM没有能力基于自然语言描述来推断复杂的时空依赖性。 Figure1（b）:利用时空数据和相关文本。这样，就可以通过对齐模块等方法将时空数据映射到文本中。 通过这种方式，可以将复杂的时空数据转换为LLMs可以理解的有限数量的token，同时保持数据的时空语义信息。 通过这些方法，STG-LLM能够有效地使LLMs理解时空数据，并在多个时空基准数据集上实现与现有最先进方法（SOTA）相当的性能。
70110编辑于 2024-11-19 - 来自专栏C++&linux
【数据结构初阶】八大排序算法+时空复杂度
---- 一、插入排序 1.直接插入排序 1.直接插入排序思想： 假设现在已经有一个有序序列，如果有一个数字插入到这段序列的末尾，我们会选择拿这个数和它前面的每个数字都比较一遍，如果前面的数字比他大， 因为我们交换元素的顺序是先交换小在交换大，所以只要交换小不出问题，后面的交换大肯定也不会出问题。 我们在if语句的判断部分，找的数一定得比key小或大，连相等都是不可以的，为什么呢？因为会产生死循环。 答案是7种数字，所以我们在开辟空间时也要开辟max-min+1大小的空间。 六、排序总结 排序的稳定性： a. 七、时空复杂度 1.时间复杂度 时间是一去不复返的，累计的 时间复杂度算的就是基本操作的执行次数。 递归情况下就是算出每一个函数栈帧中的执行次数并且累加起来。
2.7K30编辑于 2023-04-12 - 来自专栏frytea
时空位置与大数据
在这个人人都谈大数据，处处皆用大数据的时代，我们身边的这些大数据究竟如何产生，又有多大的体量了呢？ （来源，ZDNET《数据中心2013：硬件重构与软件定义》年度技术报告） 在这些数据中，除了人们日常消费、生活、交通产生的数据之外，基于位置的数据正在其中发挥着越来越重要的作用，基于位置的数据挖掘成果丰硕 截止至2020年1月5日，高德位置开放平台日均处理近1000亿次的定位及路线规划请求，百度地图开放平台日均处理1,200亿次位置服务请求，腾讯位置大数据日均定位量超过1100亿。 参考文献 盘点中国2013行业数据量 大数据史记2013：盘点中国2013行业数据量（上） 2019年第三季度中国城市活力研究报告 高德位置开放平台 百度地图开放平台 腾讯位置大数据 Author: Frytea Title: 时空位置与大数据 Link: https://blog.frytea.com/archives/289/ Copyright: This work by TL-Song
1.3K20发布于 2020-07-16 - 来自专栏点滴积累
时空大数据云平台
为了解决当前数据中心运营过程中的数据管理组织混乱，无法深入数据本身，无法实现在线查看、浏览、分析计算等问题，我司推出了一款时空大数据云平台，能够实现数据的在线管理、在线可视化、在线计算以及在线代码编辑器等功能 一、在线管理 当前数据中心数据管理方式多为FTP，用户只能看到数据包含的文件信息，而无法看到真实的数据信息。 并可以深入到数据实体而非数据文件进行管理，能够查看数据的缩略图，查看数据元数据（包含波段、空间范围、大小、分辨率等），查看数据统计信息（包含字段、数量、最大值、最小值、平均值等信息）等。 [数据管理] [元数据] [数据详情] [缩略图] 通过这些信息能够让用户对此数据有一个直观的了解，但这些还不够，还不足以让用户全面的了解一个数据，于是我们实现了数据在线可视化功能。 [数据可视化] [矢量数据可视化] [栅格数据可视化] [观测数据可视化] [观测数据可视化] [数据过滤] [空间化] 系统还支持直接将可视化结果输出，用户可以自行配置标题、指北针、图例、比例尺、作者
6.2K01发布于 2020-01-18 - 来自专栏小小挖掘机
【时空序列预测实战】详解时空序列常用数据集之MovingMnist数据集(demo代码)
前言 毋庸置疑在做时空序列模型的时候，oving数据集，或者说标准的数据集是必要的 这篇文章我们主要介绍MovingMnist数据集，做这个方向的research是逃不过这个数据集的使用的 一、 Address 地址：http://www.cs.toronto.edu/~nitish/unsupervised_video/ 这个数据集主要是在 Unsupervised Learning of Video Representations
2.5K30发布于 2020-11-09 - 来自专栏浴巾的学习分享贴
数据结构_时空复杂度
数据结构_时空复杂度 前言：此类笔记仅用于个人复习，内容主要在于记录和体现个人理解，详细还请结合bite课件、录播、板书和代码。 渐进表示法就是O(N) N是数据规模 ， 数据规模越大，复杂度的差距越大，算法的优劣体现的就越明显 基本语句（或者说基本操作）的执行次数成为时间频度，在上面的例子中T(N)=2N+10 // 计算Func3 n， n-n^3^+7n^5^， nlogn， 2^n/2^， n^3^， logn， n^1/2^+logn， (3/2)^n^， n! ， n^2^+logn 从小到大排列为：logn < n^1/2^+logn < n < nlogn < n^2^+logn < n^3^ < n-n^3^+7n^5^ < 2^n/2^ < (3/2) ] , k=3 输出：[5,6,7,1,2,3,4] 方法一： 重新开辟一个长度为n的数组news，nums的后k项赋值给new的前k项，前n-k项复制给new的后n-k项 时间复杂度O(N) 空间复杂度
36320编辑于 2023-05-09 - 来自专栏小小挖掘机
【时空序列】TKDE2020-时空图数据挖掘深度学习技术全面综述
参考点数据和栅格数据之间的主要区别在于：采集参考点数据的传感器位置不断变化，而采集栅格数据的传感器位置固定。 (5)视频（Video）: 由一系列图像组成的视频也可以视为一种时空数据。 （2）预测 预测学习就是基于时空数据的历史观测值来预测未来的观测值。本文按照输入数据的类型，从5个方面来介绍预测学习。 （5）异常检测 异常检测主要是指识别出与大多数时空数据有明显差异的事件或观测值，目前对于时空数据的异常检测研究主要集中在events和spatial maps的数据类型上。 该文还从特征提取、处理的时空数据类型、挖掘任务、时间依赖性、空间依赖性几个方面，将深度学习和传统机器学习在时空数据挖掘领域的不同进行了分析比较。 ? ? 5.应用 ? （5）基于位置的社交网络(LBSNs) 基于位置的社交网络就是使用GPS来定位用户的位置，并让用户能够从他们的移动设备中获得其他的内容。
3.7K30发布于 2020-12-08 - 来自专栏3D可视化
HSDB-超维时空数据库
HSDB是具备万维数据描述和存储能力的超维时空数据库，能够覆盖IoT数字孪生六大维度集，包括具有时间序列特征的行为/状态和具有空间坐标特征的位置/关系。 通过先进的数据分片技术，能够实现海量数据的分布式存储。同时，利用成熟的倒排索引技术，可支撑百亿数据量级下的高性能查询需求，满足上层各种数字孪生可视化场景的数据使用需求。 什么是维度？ 后来，维度被引入物理学领域，用于描述独立的时空坐标（N个坐标代表N维空间）。在数字孪生领域，维度可以理解为现实对象的数据参数，也称属性。 维度有什么作用？ 如何保障维度调整的灵活性，这就需要软件定位多维数据模型的能力。 软件定义数据模型的本质，就是将数据模型与上层应用功能解耦，使数据模型具备扩展性，从而满足不同应用场景下的数字化需求。 （软件定义的本质是实现了数据平面和管理控制平面解耦）优锘提供了便捷的软件定义数据模型能力，通过图形界面灵活定义和维护对象分类、属性及关系约束，降低数据模型的变更成本和实施风险，真正实现了数据模型对上层可视化需求的快速响应
1.6K51发布于 2019-11-14 - 来自专栏云社区全球资讯抢先看
时空大数据加速智慧城市落地
据介绍，城市计算包括城市数据的感知和获取、数据的管理、数据的分析和挖掘以及数据的服务和提供。“这四个层面连成一个环路，不断地、自动地在不干扰人生活的情况下，用大数据解决城市的大挑战。”郑宇说。 郑宇说，“我们是给整个城市提供服务，对整个城域作推断、预测，运算量非常大，而且要求实时。因此，数据和应用之间就需要一个平台来连接。” “很遗憾现在任何一家公司的云计算平台都不能很好地支持我们的时空大数据。”郑宇坦言，“城市大数据平台并不是云计算平台，后者并不能很好地支持上述运算。” 把握时空数据 “城市计算处理的是时空数据，它跟视频、图像、语音是不同的。这也导致传统的深度学习模型不能直接拿来用。” 郑宇解释说，时空数据有空间属性和时间属性，时间属性又包括时间的平滑性、周期性和趋势性。 据介绍，数据的应用是首先把相邻几个小时的数据放到一个深度卷积神经网络里面，来模拟相邻时间的时序的平滑性。
1.4K00发布于 2017-12-26 - 来自专栏大数据知识
大数据5大关键处理技术
文章转自：真灼社 大数据已经逐渐普及，大数据处理关键技术一般包括：大数据采集、大数据预处理、大数据存储及管理、大数据分析及挖掘、大数据展现和应用（大数据检索、大数据可视化、大数据应用、大数据安全等）。 一）大数据面临的存储管理问题 ●存储规模大 大数据的一个显著特征就是数据量大，起始计算量单位至少是PB，甚至会采用更大的单位EB或ZB，导致存储规模相当大。 4）数据挖掘：根据数据功能的类型和和数据的特点选择相应的算法，在净化和转换过的数据集上进行数据挖掘。 5）结果分析：对数据挖掘的结果进行解释和评价，转换成为能够最终被用户理解的知识。 5、统计分析方法 在数据库字段项之间存在两种关系：函数关系和相关关系，对它们的分析可采用统计学方法，即利用统计学原理对数据库中的信息进行分析。可进行常用统计、回归分析、相关分析、差异分析等。 5. 数据质量和数据管理 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理无论是在学术研究还是在商业应用领域都极其重要，各个领域都需要保证分析结果的真实性和价值性。
10.8K30发布于 2021-03-12 - 来自专栏时空探索之旅
VLDB 2025 | 时空数据（Spatial-Temporal）论文总结(时空预测，轨迹相似度，轨迹表示等)
VLDB 2025于2025年9月1号-5号在英国伦敦(London, United Kingdom)举行。 本文总结了VLDB 2025有关时空数据（Spatial Temporal）的相关论文，主要包含如有疏漏，欢迎大家补充。 时空数据Topic：时空预测，交通预测，轨迹相似度，轨迹表示等。 1. RED: Effective Trajectory Representation Learning with Comprehensive Information5. 2024 | 时空数据（Spatial-temporal）论文总结 SIGMOD 2025 | 时间序列（Time Series）论文总结 SIGMOD 2025 | 时空数据（Spatial-temporal ）论文总结 ICDE 2025 | 时间序列(Time Series)论文总结 ICDE 2025 时空数据（Spatial-Temporal）论文总结 此公众号的文章皆系本人原创，辛苦码字不易！
10910编辑于 2026-03-10 - 来自专栏FreeBuf
三大专场，四大论坛 | CIS 2022网安多维时空降临
2022年12月14日，CIS 2022网安多维时空将准时降临，届时上海主会场、深圳分会场以及线上元宇宙专场将全部呈现给大家，并广邀网络安全行业技术牛人、专家学者、行业领袖等共聚线上平台，在多维时空呈现一场精彩的冬日演讲 三大专场、四大论坛火力全开 一直关注CIS 2022网络安全创新大会的朋友们，肯定都知道CIS 2022大会首次采用“三城联动，共建多维时空”的创新方法，打破地域限制，突破时空阻隔，给网络安全行业带来全新的参会体验 为了给参会者提供更丰富的干货内容，CIS 2022网安多维时空将上线上海、深圳、元宇宙三大专场，共计四大分论坛，议题内容涵盖行业前瞻思考、产业发展、未来趋势等；新兴&热门网络安全技术、产品、解决方案等； 企业安全建设、数据安全、高级威胁检测、漏洞管理等多个方面。 12月1日，多维时空首个专属线上游戏—网安脑力大挑战将正式上线，活动时间将持续一周。
53420编辑于 2023-03-29 - 来自专栏时空探索之旅
AAAI 2026 | 时空数据(Spatial-temporal)论文总结（时空预测，轨迹挖掘，自动驾驶等）
本文总结了2026 AAAI 上有关时空数据（Spatial-Temporal）相关论文。如有疏漏，欢迎大家补充。 时空数据Topic：时空预测，天气预报，城市区域表示，轨迹表示学习，相似度计算，轨迹预测，自动驾驶等。总计45篇，本文涉及24篇。 注：由于论文数目较多，分为上下篇，此为上篇，主要涵盖时空预测，轨迹数据挖掘，部分自动驾驶等的文章。下篇主要涵盖自动驾驶，城市区域表示学习，天气预报等。 1. /2508.10427 作者：Keishi Ishihara; Kento Sasaki; Tsubasa Takahashi; Daiki Shiono; Yu Yamaguchi nan 关键词：时空推理的视觉问答数据集 表示学习，生成等) AAAI 2026 | 时间序列(Time Series) 论文总结[上] (Oral+预测) AAAI 2025 | 时间序列（Time Seies）论文总结 AAAI 2025 | 时空数据
47110编辑于 2026-03-10 - 来自专栏时空探索之旅
ICLR 2025 | 时空数据(Spatial-Temporal)论文总结
本文总结了2025 ICLR上有关时空数据(Spatial-Temporal)相关论文。如有疏漏，欢迎大家补充。 时空数据Topic：时空预测（交通，气象），时空动力学等。 （ICLR更多的是交通数据以外的物理驱动的深度学习以及AI4Science的时空数据，笔者能力有限，囊括了更为广义的时空数据，没有加以区分。因此，部分内容可能缺乏必要的严谨性。） 分数：3888 5 WardropNet: Traffic Flow Predictions via Equilibrium-Augmented Learning 链接：https://openreview.net id=WeJEidTzff 作者：Can Rong, Jingtao Ding, Yan Liu, Yong Li 关键词：通勤 ，起点-目的地流数据集 城市计算 ，加权图建模 TL; DR：本文提供了一个大规模数据集 id=MbM1BqGpZu 作者：Hengyu Fu, Zehao Dou, Jiawei Guo, Mengdi Wang, Minshuo Chen 关键词：扩散模型，序列数据，时空依赖性，样本复杂性
74510编辑于 2025-02-21 - 来自专栏时空探索之旅
CIKM 2024 | 时空数据(Spatial-temporal)论文总结
CIKM 2024于10月21号-10月25号在美国爱达荷州博伊西举行（Boise, Idaho, USA） 本文总结了CIKM 2024有关时空数据（spatial-temporal data）的相关论文 5 Spatio-temporal Graph Normalizing Flow for Probabilistic Traffic Prediction 作者：Yang An,Zhibin Li,Wei Real-Time Financial Data Inference 作者：Yupeng Fang,Ruirui Liu,Huichou Huang,Peilin Zhao,Qingyao Wu 关键词：金融数据推理 2407.20053 作者：Zhe Li,Ronghui Xu,Jilin Hu,Zhong Peng,Xi Lu,Chenjuan Guo,Bin Yang 关键词：LLM，海洋有效波高估计 AI4Ocean|基于时空感知大语言模型的海洋有效波高估计 Wen 关键词：轨迹恢复，最后一公里配送 相关链接 CIKM24 Accepted Papers： https://cikm2024.org/accepted-papers/ 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读
68010编辑于 2024-11-19 - 来自专栏时空探索之旅
NeurIPS 2024 | 时空数据（Spatial-Temporal）论文总结
NeurIPS 2024于2024年12月10号-12月15号在加拿大温哥华举行（Vancouver, Canada）,录取率25.8% 本文总结了NeurIPS 2024有关时空数据（spatial-temporal data）的相关论文，主要包含气象预测，时空插补，轨迹生成，交通模拟，信控优化，异常检测以及LLM在时空数据的应用等内容，如有疏漏，欢迎大家补充。 时空数据Topic：气象预测，时空插补，轨迹生成，交通模拟，信控优化，异常检测以及LLM在时空数据的应用等内容。 ，对齐，恢复 5 Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model 链接：https:/ GeoLifeCLEF 相关链接 NeurIPS 24 Accepted Papers：https://neurips.cc/virtual/2024/papers.html 欢迎各位作者投稿近期有关时空数据和时间序列录用的顶级会议和期刊的优秀文章解读
1K10编辑于 2024-11-19
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号