- 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。 [7]全球土壤湿度数据。 gimms.gsfc.nasa.gov/SMOS/SMAP/ (1)https://www.frontiersin.org/articles/10.3389/fdata.2020.00010/full#h8 [8]北极DEM数据。地址：https://dataverse.harvard.edu/dataset.xhtml?
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 ? ? ? Beiing City Lab, 2013, Data 8, Housing price in Beijing, http://www.beijingcitylab.com ? ? ? 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。 这些数据集提供了交通速度和流量的详尽见解，以及交通流量建模和预测的宝贵资源。LargeST是第一个大规模交通预测的交通数据集，包括五年内道路网络上的8,000多个传感器。 工具。
6.5K12编辑于 2024-03-18 - 来自专栏时空探索之旅
KDD 2025 | (8月轮)时空数据论文总结
KDD 2025将在2025年8月3号到7号在加拿大多伦多举行，本文总结了KDD 2025(August Cycle)有关时空数据（Spatial-Temporal）相关文章，共计17篇，其中1-12为 时空数据Topic：时空预测，轨迹表示学习，轨迹生成，轨迹模拟，信控优化等。如有疏漏，欢迎补充！ ：https://github.com/bigscity/STEVE_CODE 作者：Jiahao Ji, Wentao Zhang, Jingyuan Wang, Chao Huang STEVE 8 作者：Bangchao Deng, Xin Jing, Tianyue Yang, Bingqing Qu, Dingqi Yang, Philippe Cudré-Mauroux 关键词：人类轨迹数据 https://github.com/usail-hkust/LLMTSCS 作者：Siqi Lai, Zhao Xu, Weijia Zhang, Hao Liu, Hui Xiong 关键词：信控优化，大模型
1.3K10编辑于 2025-05-01 - 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. 6 信心：4, 4, 3, 3 均分：5.5 推荐阅读 ICLR 2026 | 时空数据(Spatial-Temporal)论文总结[上]【交通与城市科学：交通预测，轨迹挖掘，交通模拟，自动驾驶等】 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
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。 当我们有8个数据，并且没有对越界情况进行处理时，可以看到，有许多归并区间存在越界情况，所以我们不得不进行分批处理。 b. 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？ 根据一份2013年的报告显示，2013 年中国产生的数据总量超过0.8ZB（相当于8亿TB），2 倍于2012 年，相当于2009 年全球的数据总量。 （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 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。 简洁的代码不一定好，比如典型的斐波那契数列 衡量算法的好坏要看时间复杂度和空间复杂度 时间复杂度衡量的算法的运行快慢 空间复杂度衡量的是算法运行时需要额外开辟的空间 时间复杂度 时间复杂度本质上是一种函数 表示方法：大O { ++count; } int M = 10; while (M--) { ++count; } printf("%d\n", count); }基本语句（或者说基本操作）执行了2N+10次，大O 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 count; } for (int k = 0; k < N ; ++ k) { ++count; } printf("%d\n", count); }基本操作执行了M+N次，而带入到算法中的数据规模也有两个
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
传统数据挖掘方法因为时空数据的时空特性和高相关性特征而效果不佳，并随着时空数据容量日益增长而不堪重负。最近，拥有自主特征表示能力、强大的功能逼近能力的深度学习技术在时空数据挖掘上取得了重大的成功。 该论文的主要贡献如下： （1）系统且扼要地回顾了近期运用于时空数据挖掘的深度学习技术，对时空数据类型进行分类，介绍在时空数据挖掘中广泛使用的流行的深度学习模型，并总结了不同时空数据类型的数据表示形式。 时空数据实例和格式： (1)数据实例: 时空数据的数据实例包括事件，轨迹，时间序列，空间图和时空栅格。 时空数据预处理的目的是将时空数据实例表示为深度学习模型能够处理的合适的数据表示格式，通常一种类型的时空数据实例对应于一种典型的数据表示。 在一个时空数据挖掘任务中，除了所研究的时空数据，还有一些其他类型的数据与时空数据高度相关，将这些数据与时空数据相结合通常可以提高学习任务的性能。
3.7K30发布于 2020-12-08 - 来自专栏Web行业观察
信息论IV：宿主、时空置换、V8玄学
变长类型偏移术 字典压缩大法 尾部残缺问题 Ultra Pack与时空置换原理 V8引擎玄学 本文是《信息论》系列（奇怪知识系列）的最后一篇，本系列全4篇分别是： 《信息与熵：生命以信息为食》（信息论基础 ） 《最优二叉树与Huffman编码》（1~5章） 《寻找序列化的极限》（6~11章） 《宿主、时空置换、V8玄学》（12~16章）（本文） 12 — 变长偏移实数 字符串类型通过修剪utf8的Huffman 按照键的字节码来排序，即将字符串看成一个大整数，然后从小到大排序。编码时，每个键的位置不再存放键本身，而存放比上一个键的“增量”，解码时通过累加增量得到每个键。 如果扫描到EOF，也就是整条数据末尾，发现最后一个元素的长度尚未达到前缀中声明的长度，该怎么办？此时如果报错则违反原则一（永不报错），也不能用0补齐，这样违反原则二（拒绝冗余）。 爱因斯坦的相对论用一个小小的光速统一了时间与空间，让人们意识到，时间和空间原来是可以互换的，于是在硅基科学（计算机科学）领域里就有了cpu与内存的博弈、算法与数据结构的制约、时间复杂度与空间复杂度的耦合
81410发布于 2020-03-25 - 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 - 来自专栏华章科技
详解数据资产的8大重要特征
从广义上讲，企业拥有的所有数据资源，包括原始数据、中间数据、临时数据、数据类目体系、标签类目体系、标签、标签类目体系方法论等都是数据资产。 ▲图2-12 数据资产运营闭环 以标签为组织载体的数据资产区别于传统的数据资源，具有8个显著而独特的重要特征，如图2-13所示。 ? ▲图2-13 数据资产8大特征 01 能确权 所有的数据资产都应该是由某企业或机构合法取得或有效管理的数据源清洗加工而来，否则不能称为资产。 在大型集团公司中，会划分拥有数据资产归属权、管理权、使用权的角色： 数据源采集、提供部门拥有数据资产的归属权； 数据资产的设计、加工、管理、运营部门拥有数据资产的管理权； 数据资产的使用、消耗部门拥有数据资产的使用权 等到业务人员想要了解数据信息，或数据部门自查数据规范性，又或者若干年后数据人员更迭交接的时候，就会发现存在非常多的数据信息缺项和填写不规范的问题，最终只能进行信息补录或元数据管理。
3.7K30发布于 2021-07-12 - 来自专栏IT知识进阶学习
JAVA自学-8大基础数据类型详解
本篇文章中，我们也将依据此思想，去更加深入地认识JAVA中最基础的八大数据类型，看看它们在JAVA世界中都存在哪些用途。 非常大的整数 -2^63^ ~ 2^63^-1 浮点型 float 4 普通实数 -3.402 823*10^38^ ~ 3.402 823*10^38^ 双精度 double 8 非常大的实数 -1.7977 当我们将低精度的数据类型赋值给高精度的数据类型时，系统会自动完成数据类型的转换(类比思想：将小容量的物体存放到大容量的容器中，当然是没有问题的)，如： 但如果需要将高精度的类型转换成低精度的类型， 那么就会出现精度的丢失，所以必须显示指定类型转换，格式如下：(需要转换的类型)要转换的值 小结 ---- 本篇文章通过类比的方式介绍了JAVA中自带的8大基础数据类型的特点和使用场景，这8大基础类型将伴随着我们整个编程生涯 下一篇我们将介绍如何通过这8大基础数据类型进行相应的算术运算，设计实现一个简单的计算器案例。
1.1K30编辑于 2022-09-13 - 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)
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. Mining Platoon Patterns from Traffic Videos8. Mateng0228/Vplatoon 作者：Yijun Bei, Teng Ma, Dongxiang Zhang, Sai Wu, Kian-Lee Tan, Gang Chen 关键词：交通视频，车队模式 8 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
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